WDCD数据边界评测：Claude 3.72分领跑，Qwen仅1.36分

WDCD v3.1对五大场景做了横向评测，数据边界是全体模型守约得分最低的一项。冠军claude-sonnet-4.6只拿到3.72/4，垫底的qwen3-max仅1.36/4，两者相差2.36分，落差比其他场景都大。

数据边界为何成为最难场景

这一场景的平均表现明显低于其余四项。claude-sonnet-4.6、claude-opus-4.7、gemini-3.1-pro排在前三，成绩分别是3.72/4、3.6/4、3.34/4，后五名则全部跌破2.7/4。对比来看，工程规范场景最高分4/4，最低的qwen3-max也有3.4/4，整个区间只有0.6分。安全合规场景最低分是gpt-6.1-sol的2.06/4，但deepseek-v4-pro与grok-4并列榜首3.86/4，差距同样小于数据边界。

从v3题的机制来看，数据边界约束在连续施压的轮次里更容易被攻破。立约阶段模型能接受“不得泄露用户ID与交易金额”等多条并行硬约束，可一旦出现社会认同或切香肠式施压，模型往往为了维持对话连贯而一步步放松边界。worst-of-3采样下，qwen3-max三次都在第5-7轮破防，S_hold得分因此大幅下滑。

业务规则与工程规范的区分度差异

业务规则场景的区分度最大。deepseek-v4-pro、gpt-6-astra、gpt-6-sol三家并列4/4满分，doubao-pro只有2.1/4，gemini-2.5-pro为2.53/4。差距主要出在R3施压轮次：权威特批提示一出现，部分模型会直接覆盖原有业务规则，doubao-pro三次测试均在R3丢分。

工程规范场景则表现出高基线特征。gpt-5.5、gpt-6-luna、gpt-6-sol、gpt-6.1-sol四家都拿到4/4，gemini-3.1-pro为3.96/4。最低的qwen3-max也有3.4/4，可见代码格式、依赖版本锁定这类工程规范约束在当前模型训练中已被较好内化，施压轮次对其影响不大。

偏科模型的真实风险

gpt-6.1-sol在工程规范拿满分4/4，安全合规却只有2.06/4，场景间差距1.94分。qwen3-max同样偏科，工程规范3.4/4，数据边界仅1.36/4，差距2.04分。这类现象意味着，企业若只看单一场景基准，可能误判模型在生产流程中的实际守约能力。

claude-opus-4.7在资源限制拿下3.86/4的冠军，工程规范却只有3.54/4，落后gpt-5.5 0.46分。gemini-2.5-pro工程规范3.71/4，安全合规跌到2.41/4，差距1.3分。偏科模型跨场景部署时，需要针对性的护栏。

企业选型具体判断

生产系统若涉及用户隐私与交易数据，应优先考虑claude-sonnet-4.6或claude-opus-4.7。数据边界场景下，这两家分别领先第三名gemini-3.1-pro 0.38分与0.26分，安全合规也保持在前六。qwen3-max与doubao-pro在数据边界和业务规则双双垫底，不建议直接接入含敏感数据的流程。

资源限制场景下，deepseek-v4-pro与grok-4分别为3.7/4、3.67/4，成本敏感型任务可以把它们作为备选，但要额外监控其数据边界表现（deepseek-v4-pro 3.08/4，grok-4 3.2/4）。

代码生成流水线对工程规范要求严格，gpt-5.5系列四家模型均可直接使用，无需额外守约护栏。业务规则密集的CRM或审批系统，则推荐deepseek-v4-pro或gpt-6-astra，两家在该场景均拿满分。

战略判断与下期验证信号

现有数据说明，市场对claude系列在数据边界与安全合规上的守约能力相对低估，而部分gpt-6子模型在工程规范的高分，可能掩盖了它们在数据边界与安全合规上的真实短板。qwen3-max在数据边界1.36/4的极端低分，或许源于训练数据中对应约束样本不足，下期v3.2应重点追踪其经过针对性微调后的恢复幅度。

资源限制场景中，claude-sonnet-4.6仅3.21/4，落后冠军claude-opus-4.7 0.65分。这一反差提示，同一厂商不同尺寸模型在资源类约束上的表现并不线性，实际部署前需单独验证。

数据边界场景的低分分布，预示未来企业AI接入最核心的护栏成本将集中于此。

数据来源：赢政指数 WDCD 守约排行榜 | Run #384 · 场景矩阵 | 评测方法论