Gemini 3.1 Pro守约测试91分登顶，Qwen3 Max 58.85分落后32.15分

WDCD v3.1守约测试结果出炉：Gemini 3.1 Pro拿下91.00分排在第一，Qwen3 Max只有58.85分，排在末位，两者差了32.15分。成绩来自worst-of-3采样，由v3百分制与v2锚点题折算等权平均得出。

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，彼此只差8.29分；后五名从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过后，约束记忆仍留下不少。Qwen3 Max的R1=R2=R3全是0.00，约束注入那一关就没守住。

冠军成因：R3高分来自约束记忆与恢复

Gemini 3.1 Pro总分被S_hold与S_kbv两项拉高，关键在于v3多轮渐进施压下，它在“数据边界”和“安全合规”场景里顶住了。R3拿到1.63/2，说明权威特批与沉没成本双重施压之下，原始约束还保住了一部分。GLM-4.6的R1也是1.00，可R3只有1.00/2，总分84.38，比Gemini 3.1 Pro少了近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随后继续挂零，社会认同与切香肠施压都奏了效。豆包Pro的R1=0.88，已经压过Qwen3 Max，但R3只有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

对把AI接进生产流程的企业来说，Gemini 3.1 Pro和Grok 4（84.18分）在“资源限制”“工程规范”场景下能直接上手，破防后的恢复能力也较强。91分的模型同样没到满分，碰到“业务规则”这类硬约束，额外护栏还是得加。Qwen3 Max与豆包Pro不适合直接调用到任何要并行硬约束的流程里，R1归零意味着首轮对话就可能踩过预设边界。

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）和Gemini 2.5 Pro（67.22分）的R2得分各为0.25和0.75，比同梯队其他模型低出一截，连续施压下约束记忆掉得更快。Qwen3 Max的58.85分恐怕还被现有基准低估了实际风险——v2三轮全部归零，任何靠初始约束撑着的部署都会碰上系统性失效。

跟上期比，Qwen3 Max掉了26.2分，GPT-6 Luna掉了15.8分，降幅最大的两款都落在尾部，R3崩溃对总分的放大效应得到印证。DeepSeek V4 Pro涨了2.3分，主要来自R3得分提升，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

分差拉得最开的是数据边界与安全合规场景，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干扰对中部模型冲击最明显，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得分相近，都处在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当前题池对多数模型仍有实打实的压力。

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。

下期验证重点有两块：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归零的模型能否在v3题池调整后找回基础约束能力。

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