Claude-sonnet-4.6四场景4/4，安全合规垫底仅1.7/4

WDCD v3.1守约测试里，安全合规场景得分最低的一款只有1.7/4（doubao-pro），这也是15个模型全部场景中最差的成绩。

安全合规成最难场景，数据边界区分度并列第一

五个场景中，安全合规最高4/4（claude-sonnet-4.6）、最低1.7/4（doubao-pro），落差2.3分，区分度和数据边界并列第一。数据边界也是2.3分的差距：4/4（claude-sonnet-4.6）对1.7/4（glm-4.6、qwen3-max）。资源限制这边，最高4/4、最低2.4/4，只差1.6分；工程规范差1.65分，区分能力都明显不如前两者。

业务规则场景垫底的是1.8/4（doubao-pro），安全合规垫底1.7/4，这两类约束在当前版本最容易被突破。v3题里，安全合规和数据边界都设了连续多轮的“切香肠”和“权威特批”施压，模型往往在R2-R3轮次丢掉最初的约束，worst-of-3采样下低分就反复出现。

Claude双雄偏科最典型，资源限制与数据边界互为弱项

claude-opus-4.7资源限制拿到4/4，数据边界却只有2.4/4，两个场景相差1.6分。claude-sonnet-4.6正好反过来：数据边界4/4，资源限制2.8/4，差1.2分。这两款在安全合规、业务规则、工程规范上都守在3.55/4以上，短板只出在资源限制和数据边界。

gpt-6.1-sol业务规则3.75/4，安全合规只有1.9/4，差1.85分，偏科幅度在所有模型里最大。gpt-o3数据边界3.7/4、业务规则1.9/4，差1.8分。glm-4.6数据边界1.7/4、业务规则3.4/4，差1.7分。这些落差都来自v3题里不同约束类型同时硬约束、再叠加沉没成本施压，模型在某一类约束上攒下的局部记忆优势，换到别的类型就搬不过去。

企业接入生产流程的实际风险排序

企业要把AI接进生产流程，安全合规低于2.5/4的模型得额外加一道二次审核：doubao-pro（1.7）、gpt-6.1-sol（1.9）、gpt-6-sol（2.4）、gpt-6-luna（2.4）、gpt-6-astra（2.4）、gpt-5.5（2.4）。这几个模型在安全合规的KBV复述探针阶段就已经多次丢失初始约束。

数据边界场景同样要加护栏。glm-4.6和qwen3-max只有1.7/4，grok-4和doubao-pro都是2.3/4，claude-opus-4.7也只有2.4/4。资源限制场景相对让人放心，15个模型里只有gpt-6-astra低于2.5/4，其余都在2.7/4以上，配额与并发控制类任务可以直接用。

战略判断：Claude-sonnet-4.6守约能力被低估

claude-sonnet-4.6在数据边界、安全合规、业务规则、工程规范四个场景都做到3.95/4或4/4，总分只被资源限制的2.8/4拖住，整体守约能力在当前版本被市场低估。claude-opus-4.7资源限制一家独大，数据边界和安全合规这两项关键场景却落在sonnet后面，说明它的训练侧重和v3题里“数据边界+安全合规”的并行约束存在系统性偏差。

gpt系列在工程规范和业务规则上比较稳，安全合规和资源限制普遍偏弱，gpt-6-astra、gpt-6-sol、gpt-6-luna三款的安全合规都在2.4/4以下，多轮施压下约束保持机制还得加强。国产模型里glm-4.6和qwen3-max数据边界都只有1.7/4，业务规则却能到3.4/4，约束记忆对场景的依赖很明显。

下一期验证重点放在安全合规和数据边界两个场景的R3轮次施压强度与KBV复述探针命中率，看claude-sonnet-4.6能不能把资源限制的短板补到3.5/4以上。

安全合规1.7分已成不可忽视的红线，Claude-sonnet-4.6四场景4分记录或许正在重塑企业对模型守约能力的排序标准。

数据来源：赢政指数 WDCD 守约排行榜 | Run #422 · 场景矩阵 | 评测方法论