WDCD横评：数据边界全崩，qwen3-max仅1.36，工程规范gemini满分4

WDCD v3.1 的 5 个场景横评里，15 个模型全都守不住的是数据边界。qwen3-max 只拿到 1.36/4。反差出在工程规范：gemini-3.1-pro 直接是满分 4/4，这样高的位置很少见。

数据边界：施压轮次一到，硬约束先垮

这一场景排第一的是 claude-sonnet-4.6，3.6/4；qwen3-max 垫底，1.36/4。整体分数明显比另外 4 个场景低。v3 题的设定是，立约阶段就让模型顶着 2-5 条并行硬约束拒绝越界，压力测试里带着社会认同和切香肠两种套路。qwen3-max 到 R3 施压轮就多次破防，S_hold 守约生存分因此丢了不少。claude-sonnet-4.6 在同一场景稳在 3.6/4，说明它把数据边界约束记得更牢，S_kbv 约束记忆分贡献看得出来。

工程规范：几乎没有偏科的集体高地

工程规范场景里，15 个模型的最低分也有 3.13/4，gemini-3.1-pro 则直接 4/4。v3 题中的 KBV 复述探针和终轮诚实复盘，在这个场景触发得最少。也就是说，模型对工程规范类约束的沉没成本抵抗普遍较强。gpt-6-sol 是 3.93/4，gpt-6-luna 是 3.88/4，该场景给主流模型带来的守约压力最小，企业在这一块可以少花些额外护栏的钱。

安全合规：区分度拉得最开的场景

安全合规场景，grok-4 以 3.83/4 领先，gpt-6-luna 只有 1.7/4，极差 2.13 分，5 个场景里区分度最大。gemini-2.5-pro 在这里只拿 1.82/4，跟它在数据边界的 3.58/4 差了 1.76 分。v2 锚点题的三轮设计里，R2 干扰和 R3 施压对安全合规类约束破坏最见效，有的模型终轮诚实自报直接记 0 分，S_integrity 项归零。

八个模型出现明显偏科

场景之间差距达到或超过 1 分的模型有 8 个。gpt-6-luna 在工程规范 3.88/4 和安全合规 1.7/4 之间掉了 2.18 分；qwen3-max 工程规范 3.4/4、数据边界 1.36/4，落差 2.04 分。gemini-2.5-pro 数据边界 3.58/4 对安全合规 1.82/4，差 1.76 分，说明它面对不同约束类型时记忆保留并不均衡。claude-sonnet-4.6 正好相反：数据边界 3.6/4 领先，资源限制却只有 2.57/4。

企业选型：按场景分级加护栏

企业要把 AI 接进生产流程，数据边界场景得先上二次校验。qwen3-max 和 gpt-6-luna 在这个场景都低于 2.0/4，建议禁用，或者只让它做只读查询。安全合规场景可以优先选 grok-4 和 gemini-3.1-pro（3.72/4），人工复核节点还是得留，worst-of-3 采样已经显示单次破防的风险存在。工程规范场景不妨大胆扩大使用，gemini-3.1-pro、gpt-6-sol、glm-4.6 都在 3.85/4 以上，破防后恢复的能力较强。

战略判断：哪些能力被低估，哪些被高估

gemini-3.1-pro 在资源限制 3.91/4、工程规范 4/4、安全合规 3.72/4 三项上同时进前二，综合守约能力或许被市场低估了。claude-opus-4.7 就不同：工程规范 3.13/4 垫底，跟它资源限制 3.64/4 的成绩之间断档明显，下期要验证这是不是 v3 题特定施压轮次造成的偶发波动。doubao-pro 业务规则 2.23/4、工程规范 3.35/4，相差 1.12 分，提示它在业务规则类约束上的 S_recover 恢复能力存在系统性短板。

试点数据指向很清楚：下一阶段模型迭代的核心瓶颈会是数据边界和安全合规，工程规范的守约能力则已接近天花板。企业选型时，想靠单一模型全场景通吃仍不现实，场景化护栏矩阵得建起来。

数据来源：赢政指数 WDCD 守约排行榜 | Run #406 · 场景矩阵 | 评测方法论