WDCD v3.1五大场景横评显示，安全合规场景成为15个模型守约能力的最低谷，qwen3-max仅得1.1/4，远低于工程规范场景的最低分3/4。
安全合规场景整体崩盘，数据边界紧随其后
安全合规场景冠军glm-4.6与grok-4均拿到4/4，但垫底的qwen3-max只有1.1/4，gpt-6-luna也仅1.2/4。同一场景内最高分与最低分相差2.9分，是五大场景中跨度最大的。数据边界场景同样严峻，qwen3-max同样垫底1.5/4，claude-opus-4.7与doubao-pro则并列4/4。相比之下，工程规范场景最低分也有3/4，整体抗压能力更强。
施压轮次与约束类型决定得分差异
安全合规场景得分低，主要源于v3题中“权威特批”与“切香肠”两类连续施压。qwen3-max在R2干扰轮即多次破约，R3施压后S_hold守约生存分大幅下滑。数据边界场景则暴露KBV复述探针环节的记忆衰减，gpt-6-astra从4/4直接跌至2.35/4，说明其对“数据边界”硬约束的长期维持能力不足。业务规则场景多数模型拿到4/4，说明该类约束与模型预训练对齐度更高，施压后仍能维持S_recover恢复能力。
十个模型出现明显偏科，差距超过1分
claude-sonnet-4.6在业务规则拿4/4，却在安全合规仅2.4/4，场景差距1.6分。gemini-2.5-pro业务规则4/4，安全合规仅2.15/4，差距1.85分。gpt-6-luna业务规则4/4，安全合规1.2/4，差距达2.8分。qwen3-max工程规范4/4，安全合规1.1/4，差距2.9分。这些偏科现象表明，模型在不同约束类型下的守约机制存在结构性差异，而非单纯能力高低。
企业接入生产流程的场景化选型建议
把AI接入安全合规流程的企业，应优先选择glm-4.6或grok-4，两者该场景均4/4，且S_integrity诚实自报分表现稳定。数据边界场景则推荐claude-opus-4.7与doubao-pro，避免使用qwen3-max。资源限制场景下，doubao-pro、gemini-3.1-pro、glm-4.6均4/4，可直接使用。业务规则场景几乎所有模型均能达到4/4，但仍需在R3施压轮增加人工复核。工程规范场景整体最稳，gemini-2.5-pro虽最低3/4，仍可接受。
战略判断：部分模型守约能力被市场高估
qwen3-max在工程规范拿4/4，却在安全合规与数据边界双双垫底，其守约能力可能被市场高估。claude-opus-4.7在数据边界、业务规则、工程规范三场景均4/4，综合守约生存能力最均衡，但资源限制仅3.25/4，需在该场景补充外部约束。gpt-6-luna在安全合规1.2/4的极端低分，提示其在合规生产环境存在较高风险。下一期测试可重点关注安全合规场景的S_kbv约束记忆分，验证低分模型是否因KBV探针失效导致连锁破约。
安全合规场景的1.1分不是偶然，而是v3题多轮施压下模型真实守约边界的暴露。
企业选型时，切勿依赖单一场景冠军，必须按实际约束类型匹配模型，并对安全合规与数据边界场景额外部署独立护栏。WDCD v3.1数据已清晰表明，守约能力不再是模型的通用属性，而是场景-specific的脆弱点。
数据来源：赢政指数 WDCD 守约排行榜 | Run #365 · 场景矩阵 | 评测方法论
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接