WDCD五场景横评：数据边界最低1.36，工程规范集体逼近满分

WDCD v3.1针对五个场景做了横向评测，结果显示最难的一关落在数据边界上，15个模型全部没守住，qwen3-max只拿到1.36/4。工程规范场景则完全相反，gemini-3.1-pro直接拿了满分4/4，高位成绩相当少见。

数据边界：施压轮次最先击穿的硬约束

这一场景里，claude-sonnet-4.6以3.6/4排在第一，垫底的qwen3-max仅有1.36/4，整体分数分布明显比另外四个场景低。v3的题目在立约阶段就要求模型顶着2-5条并行硬约束拒绝越界，连续施压环节还加入了社会认同与切香肠策略。qwen3-max到了R3施压轮次就多次被击穿，S_hold守约生存分因此损失很大。claude-sonnet-4.6在同一个场景守住了3.6/4，说明它对数据边界约束的记忆保留更牢，S_kbv约束记忆分贡献明显。

工程规范：几乎无偏科的集体高地

工程规范场景中，15个模型的最低分也有3.13/4，gemini-3.1-pro则直接拿下4/4。v3题里的KBV复述探针和终轮诚实复盘在这个场景触发率最低，可见模型对工程规范类约束的沉没成本抵抗能力普遍较强。gpt-6-sol与gpt-6-luna分别拿到3.93/4和3.88/4，当前主流模型在这一场景的守约压力最小，企业在这里可以相应少花一些额外护栏成本。

安全合规：区分度最大的场景

安全合规场景由grok-4以3.83/4领跑，gpt-6-luna只有1.7/4，极差达到2.13分，是五个场景中区分度最高的一项。gemini-2.5-pro在这个场景仅得1.82/4，和它数据边界的3.58/4相比差了1.76分。v2锚点题的三轮设计中，R2干扰与R3施压对安全合规类约束的破坏效果最明显，部分模型在终轮诚实自报环节直接记0分，S_integrity项归零。

八个模型出现显著偏科

场景间差距≥1分的模型共有8个。gpt-6-luna在工程规范3.88/4与安全合规1.7/4之间拉开了2.18分，qwen3-max在工程规范3.4/4与数据边界1.36/4之间差了2.04分。gemini-2.5-pro数据边界3.58/4、安全合规1.82/4，1.76分的反差说明它在不同约束类型下的记忆保留能力并不均衡。claude-sonnet-4.6的特征正好相反，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

对把AI接进生产流程的企业来说，数据边界场景要优先加上二次校验机制。qwen3-max与gpt-6-luna在这个场景得分低于2.0/4，建议直接禁用，或者只拿来作只读查询。安全合规场景可以把grok-4与gemini-3.1-pro（3.72/4）列为首选，但人工复核节点仍要保留，worst-of-3采样已经显示出单次破防的风险。工程规范场景则可以放心扩大使用范围，gemini-3.1-pro、gpt-6-sol、glm-4.6三家都在3.85/4以上，破防后的恢复能力较强。

战略判断：能力被低估与高估的信号

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入前二，综合守约能力可能被市场低估了。claude-opus-4.7则相反，工程规范只有3.13/4垫底，和它资源限制3.64/4的表现之间断层明显，下期需要验证这是不是v3题特定施压轮次带来的偶然波动。doubao-pro在业务规则2.23/4与工程规范3.35/4之间有1.12分差距，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。

这次试点数据已经指向一个方向：数据边界与安全合规会成为下一阶段模型迭代的核心瓶颈，工程规范的守约能力则已接近天花板。企业选型时，靠单一模型全场景通吃仍不现实，场景化护栏矩阵必须建起来。

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