Gemini 3.1 Pro守约榜91分登顶，Qwen3 Max 58.85分垫底差32分

WDCD v3.1守约测试结果出炉：Gemini 3.1 Pro拿到91.00分排第一，Qwen3 Max只有58.85分，排在最后，两者相差32.15分。这个成绩来自worst-of-3采样下v3百分制与v2锚点题折算的等权平均。

排名格局：头部集中，尾部断崖

前五名落在91.00至82.71分之间，只差8.29分；后五名则从73.61分一路滑到58.85分，跨度14.76分。Gemini 3.1 Pro的v2锚点R1=1.00、R2=0.88、R3=1.63/2，三轮干扰与施压之后，它仍记得住相当一部分约束。Qwen3 Max的R1=R2=R3全部为0.00，约束注入阶段就已经失效。

冠军成因：R3高分来自约束记忆与恢复

Gemini 3.1 Pro靠S_hold与S_kbv两项拉高总分，关键在于v3多轮渐进施压下，它对“数据边界”和“安全合规”场景顶得住。R3得1.63/2，说明权威特批与沉没成本双重压力压过来，它还能守住部分原始约束。GLM-4.6的R1同样是1.00，但R3只有1.00/2，总分84.38，比Gemini 3.1 Pro低近7分。

垫底机制：R1归零暴露基础约束注入失败

Qwen3 Max在v2锚点题首轮就交出R1=0.00，立约阶段的硬约束没能被模型内化。R2、R3继续为0，社会认同与切香肠施压全都奏效。豆包Pro的R1=0.88，已经高过Qwen3 Max，可R3仅0.88/2，总分63.68，还是倒数第二。

头部梯队与尾部差距的选型含义

企业若要把AI接进生产流程，Gemini 3.1 Pro和Grok 4（84.18分）在“资源限制”“工程规范”场景下能直接用，破防后恢复能力也较强。问题是91分的模型同样没拿满分，碰上“业务规则”这类硬约束，额外护栏仍不能省。Qwen3 Max与豆包Pro则不适合直接调进任何需要并行硬约束的流程，R1归零意味着首轮对话就可能踩出预设边界。

战略判断：部分模型守约能力被市场高估

本期数据里，GPT-6 Luna（67.98分）与Gemini 2.5 Pro（67.22分）的R2得分分别为0.25和0.75，比同梯队其他模型低不少，连续施压下约束记忆掉得更快。Qwen3 Max的58.85分反倒可能低估了实际风险，它的v2三轮全部归零，只要部署依赖初始约束，就会碰上系统性失效。

与上期相比，Qwen3 Max降了26.2分，GPT-6 Luna降了15.8分，跌幅最大的两款都在尾部，R3崩溃对总分的放大效应得到印证。DeepSeek V4 Pro升了2.3分，主要来自R3得分提高，沉没成本施压下的恢复能力有改善。

五类约束场景下的差异表现

数据边界与安全合规场景的分差最大，头部模型的S_hold平均比尾部高出15分以上。资源限制场景里，R2干扰对中部模型影响最明显，GPT-6 Sol的R2=0.63，低于Grok 4的0.88。工程规范场景下，Claude Opus 4.7与GPT-o3得分接近，都落在80分区间，可以当备选。

全局R3崩溃率9.2%，超过一成的模型在终轮诚实复盘前就已完全破防。满分率41%，说明v3.1这一版题池对多数模型仍有不小的压力。

守约能力不是模型参数的附属品，而是生产部署的先决条件。

下期验证重点有两个方向：R3得分1.5以上的模型在真实业务规则场景中表现如何，以及Qwen3 Max这类R1归零的模型在v3题池调整后能不能恢复基础约束能力。

数据来源：赢政指数 WDCD 守约排行榜 | Run #406 · 总榜排名 | 评测方法论