Gemini 3.1 Pro守约榜89.83分登顶,Qwen3 Max 58.85分垫底

资讯 AI 行业观察 全文 1997 字 · 约 5 分钟读完 配图 2 张 分类GeminiQwen3GoogleWDCD政策监管

Gemini 3.1 Pro 以 89.83 分位居 WDCD v3.1 守约测试首位,Qwen3 Max 58.85 分垫底。15 个模型中 R3 崩溃率 8.5%,满分率 41%。头部模型在连续施压轮次保持约束的能力显著强于尾部,提示企业接入生产流程时需针对安全合规场景额外加护栏。

所属频道 大厂动态Gemini 与 Google AI政策与风险

WDCD v3.1 守约测试结果出炉:Gemini 3.1 Pro 拿到 89.83 分,排在 15 个参评模型首位;Qwen3 Max 仅得 58.85 分,居末位。等权平均分显示,头尾之间差了 31 分。这一落差,主要出在 R3 施压阶段的约束生存表现上。

排名格局:头部集中与尾部断层

前五名全部越过 80 分线,依次是 Gemini 3.1 Pro(89.83)、Grok 4(83.64)、GPT-5.5(82.46)、GPT-6 Astra(81.68)、GLM-4.6(80.48)。第 6 到第 12 名挤在 73-79 分区间。第 13 名往后掉得明显:GPT-6 Luna 69.58 分、豆包 Pro 69.45 分,Qwen3 Max 58.85 分。全局满分率 41%,R3 崩溃率 8.5%。前两轮多数模型还守得住约束,到了第三轮多轮施压,约一成模型全面破防。

冠军分析:Gemini 3.1 Pro 的 R3 优势

看 v2 锚点题,Gemini 3.1 Pro 的 R1=1.00、R2=0.88、R3=1.75/2,总分 89.83。R3 这一项 1.75 分,高过 Grok 4 的 1.50 和 GPT-5.5 的 0.63,说明它在连续施压(社会认同、权威特批、切香肠、沉没成本)下更能守住约束。v3 题里 S_hold 权重占 60 分,该模型在 8-12 轮对话中破约时间最晚,总分被直接拉高。反过来看 Qwen3 Max,R1=R2=R3 全是 0,第一轮约束注入阶段就没能建立有效守约,后面轮次全部失效。

垫底模型的机制缺陷

Qwen3 Max 在全部 v2 锚点题上都是 0 分,数据边界与安全合规场景下,初始约束的建立即告失败。尾部模型里,豆包 Pro(69.45)R1 只有 0.75,立约阶段已有 25% 概率违约。Claude Opus 4.7 本期 73.36 分,比上期少了 9.7 分,主要是 R3 得分从可能更高水平回落到 1.25,工程规范约束下的恢复能力在减弱。

头部梯队与尾部差距的成因

差距最可能出在 v3 题的连续施压轮次与 KBV 复述探针上。Gemini 3.1 Pro 在 R3 阶段还能维持 1.75 分,S_recover(破防恢复 10 分)与 S_integrity(诚实自报 15 分)两项得分应该不低。尾部模型被沉没成本抬压后,S_hold 直接归零,总分因此大幅落后。v2 锚点题的三轮设计里,R3 权重 2 分,头部模型 R3 平均在 1.2 以上,尾部平均不到 0.8,多轮渐进施压对守约能力的区分度由此得到印证。

企业选型含义:生产流程接入的实际风险

要把 AI 接进生产流程的企业,在安全合规与数据边界场景下,应优先挑 WDCD 80 分以上的模型。Gemini 3.1 Pro 的 R3 得分高,意味着资源限制与业务规则约束下破约概率较低,人工复核成本可以降下来。GPT-5.5(82.46)与 GPT-6 Astra(81.68)的 R3 得分分别是 0.63 和 1.13,差 0.5 分,同系列不同版本在工程规范场景下表现不稳,部署前需单独测试。尾部模型如 Qwen3 Max,所有约束场景下 R1 即为 0,企业若拿它跑高风险合规流程,必须叠加外部规则引擎与人工审批,否则单次破约就可能造成数据泄露或流程违规。

战略判断:被低估与被高估的信号

Grok 4 的 83.64 分,配上 R2=1.00、R3=1.50,可能被市场低估了,它在干扰轮次的约束记忆能力优于多数 GPT 变体。GPT-o3 本期 75.04 分,比上期降了 5.4 分,R3 仅 0.50,多轮施压下 S_hold 能力在下滑,这是版本迭代中的临时波动还是趋势,下期值得验证。Claude Sonnet 4.6(74.24)与 Claude Opus 4.7(73.36)R3 得分接近,前者 R2 更低,同一厂商不同尺寸模型在约束记忆维度存在系统性差异。豆包 Pro 本期涨了 5.8 分,主要来自 R3 改善至 1.25,或许反映其在安全合规场景做了针对性优化,下一期能否稳住还需观察。

WDCD v3.1 的结果显示,守约能力已是区分生产级模型的关键指标。企业不能只看通用基准,应针对自身 5 类约束场景单独验证 R3 表现。Gemini 3.1 Pro 的领先位置可能延续,但 GPT 系列内部 10 分以上的分化提醒选型者:必须逐版本测试。

“守约不是模型的附加功能,而是生产部署的底线;谁在 R3 阶段先破,谁就先为企业埋下合规雷。”

数据来源:赢政指数 WDCD 守约排行榜 | Run #428 · 总榜排名 | 评测方法论

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. qwen3-max数据边界仅1.36分,WDCD五场景横评全員最低分

    WDCD v3.1试点数据显示,数据边界场景全体得分最低,qwen3-max仅1.36/4;业务规则区分度最大,gpt-6.1-sol 3.88/4与gemini-2.5-pro 2.23/4差距达1.65分。工程规范最高分达4分,五个场景中偏科现象普遍,qwen3-max场景差距2.04分。

    来源 AI 科技快讯
  2. Gentle Monster / Warby Parker 将于下月推出 Android XR 智能眼镜:均搭载高通 AR1 芯片,接入谷歌 Gemini

    IT之家 11 月 13 日消息,知名眼镜品牌 Gentle Monster 和 Warby Parker 各自宣布将于下月推出首款基于 Android XR 平台打造的智能眼镜,产品由三星与谷歌联合参与开发。目前,两大品牌的相关产品均已开启预订,预计将于 12 月 10 日正式在线上及指定线下门店发售。 据介绍,Ge

    来源 AI 行业观察
  3. Gemini 4 Hydrogen登场:速度压过高端版Argon,价格反而更低

    Google 刚推出 Gemini4Hydrogen(氢),一款主打速度与执行效率的新模型,结果一登场就尴尬了自家的 Argon:第三方智能指数榜上,Hydrogen 拿下51分、Xhigh 档冲到54分,压过定位更高的 Argon 的50分;默认档速度达上代 Flash 的2.5倍、胡编乱造减超80%,API 价格却

    来源 AI 开发者社区
  4. Gemini被称美国豆包,张一鸣活成中国布林:两人都把时间押给AI

    在太平洋两岸的科技版图上,一种奇妙的镜像正在发生。大洋彼岸的硅谷,早已退居幕后的 Google 联合创始人 Sergey Brin (谢尔盖布林)重新走进办公室,与一线研究员并肩推演大模型架构。而在亚洲,2021 年便将字节跳动 CEO 权杖交给梁汝波、此后极少公开露面的张一鸣,也正以一种高密度、深介入的姿态重回技术腹

    来源 腾讯网
  5. 谷歌TPU 8tx与8i Max:英伟达通用GPU招牌还稳吗

    (本文作者为 财能圈,钛媒体经授权发布) 文 | 财能圈 近日,谷歌发布两款新的TPU芯片,TPU 8tx和TPU 8i Max。 TPU是谷歌自己设计的AI专用芯片,做了十多年,最开始只为自己的搜索业务省算力。这次不一样:8tx卖给政府机构和受监管行业,主打芯片层面的数据加密;8iMax把两颗芯片封在同一个封装里,主

    来源 AI 行业观察
  6. 谷歌Gemini智能眼镜开启预售:395美元起,违规拍摄可远程锁机

    人工智能硬件市场迎来全新重磅产品。当地时间11月12日,据媒体报道,谷歌正式开启了 Intelligent Eyewear 系列智能眼镜的预购。作为谷歌在具身智能与穿戴设备领域的最新力作,该产品由谷歌联合三星、Gentle Monster 以及 Warby Parker 共同打造,起售价为395美元。 豪华大厂联手打造

    来源 AI 开发者社区
  7. Gemini Decision 1发布:毫秒级批量判断,不闲聊

    谷歌推出首个专用决策模型Gemini Decision 1,主打“不生成文本,只做判断”。它能在150-250毫秒内,基于同一份多模态输入一次性回答上千道是非题或选择题,并输出置信度。这种跳过Token解码的架构,让它在模型路由、内容审核等需要快速二选一或多选一的场景中,比传统大模型更快且更便宜。

    来源 AI 应用前沿
  8. 谷歌Teamwork多智能体系统:2.88万次调用形式化韦伊猜想

    IT之家 11 月 14 日消息,谷歌宣布进一步扩展旗下 Antigravity 多智能体系统,利用多个由 Gemini 模型驱动的专业智能体组成 Teamwork 系统,号称可解决“长期悬而未决的数学难题”、“验证复杂数学证明”,并优化各种软件系统性能。 例如,谷歌已成功对韦伊猜想(Weil conjectures)

    来源 AI 行业观察
  9. Gemini 4 Hydrogen提速2.5倍:AI从聊天转向干活

    Google发布Gemini 4 Hydrogen,主打日常智能体与编码,速度提升2.5倍;LangChain完成3亿美元C轮融资,推出全生命周期平台LangSmith。安全领域警示AI将网络攻击准备时间压缩至20分钟。此外,Google Wallet接入Gemini提供财务分析,DeepMind发布AlphaGeno

    来源 AI 应用前沿
  10. 谷歌Gemini接入钱包:AI从对话走向财务管家?

    IT之家 11 月 14 日消息,谷歌宣布 Gemini 的 Personal Intelligence(个人智能)功能已正式支持 Google Wallet 钱包,用户在完成授权后,Gemini 便能根据谷歌 Gemini 个人智能功能接入 Google Wallet:可为用户消费习惯提供个性化分析建议。谷歌表示,用

    来源 腾讯网
  11. 黄仁勋辞职:周鸿祎谈创始人价值与美对华芯片分歧

    【TechWeb】11月14日消息,英伟达创始人黄仁勋突然辞职后,360创始人周鸿祎接连发布多条视频表达观点。他认为,英伟达失去的不只是一位CEO,更是一位能提前十年判断技术方向的创始人,若处理不当恐重蹈苹果当年赶走乔布斯的覆辙;与此同时,黄仁勋的离开也折射出美国对华芯片政策背后的深层博弈,但中国AI的发展不会因外部封

    来源 AI 行业观察
  12. Fable 5.2登顶AI大模型榜:65分,27美元一次评测

    截止今日,11 月的榜有个反转:9 日 Anthropic 放出 Fable 5.2,综合指数 65,把 Gemini 4 Carbon 挤到第二。但这一分不是白拿的。图按五档排,分数取自 Artificial Analysis 的 Intelligence Index v5,收了 74 个模型、中位数 40 分。带「

    来源 腾讯网
  13. SpaceX豪掷740亿建AI超算:数GW电力够撑吗?

    本期资讯聚焦三大动态:SpaceX据传计划投入巨资建设两座AI超算园区;Google推出面向影视创作的Flow新工具及Gemini 4 Hydrogen模型,后者展示了实时3D可视化能力;AWS发布Bedrock推理成本优化指南。此外,LMArena提出智能体交互评测新范式,DeepMind发布AlphaGenome

    来源 AI 应用前沿
  14. 腾讯WorkBuddy接入Gemini4Carbon:百万Token上下文向Pro用户开放

    腾讯WorkBuddy国际版11月15日宣布接入谷歌Gemini4Carbon大模型,面向复杂推理和长周期任务,目前仅向Pro计划用户开放。该模型面向长周期智能体工作流,适用于复杂知识工作、软件工程、网络安全及科学推理,支持文本、图像、音频和视频多模态输入,输入输出合计上下文窗口最高达100万Token。

    来源 AI 产业速递
向下滚动自动加载更多