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