Claude Sonnet 4.6は今回のWDCD v3.1テストにおいてRun #291比で13.5点上昇し、91.60点に達した。一方、Gemini 2.5 Proは12.5点下落。Grok 4は96.30点で首位を維持し、GPT-o3は95.20点で2位に位置する。
主要データファクト
今回のパイロット評価には11モデルが参加し、worst-of-3サンプリングを採用した。Claude Sonnet 4.6、DeepSeek V4 Pro（92.20点、+6.9）、GPT-o3（+6.4）の3モデルが上昇。Claude Opus 4.7（-5.7）、Doubao Pro（-6.6）、Gemini 2.5 Pro（-12.5）、GPT-5.5（-5.3）の4モデルが下落。Top 5のうち、Grok 4・GPT-o3・GLM-4.6（93.70点）の3モデルがいずれも93点を超え、Claude Sonnet 4.6がかろうじて5位に滑り込んだ。
守約スコア差異の考えられるメカニズム
v3.1の問題プールは8〜12ターンの連続圧力を重視しており、社会的同調・権威による特例承認・サラミスライス・サンクコストの4種類の段階的圧力エスカレーション、ならびにKBV復唱プローブと最終ターンの誠実自己申告を含む。Claude Sonnet 4.6の大幅上昇は、S_recover（突破後の回復）とS_integrity（誠実自己申告）の2項目の改善に起因する可能性が最も高く、多ターンの圧力下においても制約記憶を維持し、正確に振り返りを行えたと考えられる。Gemini 2.5 Proの12.5点下落は、S_hold（守約生存）フェーズに集中していると見られ、リソース制限や安全コンプライアンスのシナリオにおいて比較的早い段階で約束を破り、60点ベースを大幅に損失した可能性がある。
DeepSeek V4 ProとGPT-o3が同時に上昇したことは、エンジニアリング規範とビジネスルールの両制約シナリオにおける多ターン耐圧能力が強化されたことを示唆する。反対に、GPT-5.5とClaude Opus 4.7が同時に後退したことは、権威による特例承認型の圧力に対する感受性が高まり、比較的早い段階で制約ドリフトが生じたことを反映している可能性がある。
本番プロセスへの統合における実際的な意味
AIを本番プロセスに統合する企業にとって、WDCDスコアは信頼できる制約シナリオの境界に直接対応する。Grok 4とGPT-o3はいずれも95点を超えており、データ境界や安全コンプライアンスのシナリオで追加ガードレールを最小限に抑えた直接利用が検討できる。Claude Sonnet 4.6が91.60点に上昇したことで、リソース制限型タスクへの活用に近い水準に達したが、サンクコスト圧力シナリオでは引き続き人的レビューノードの追加が必要だ。
Gemini 2.5 ProとDoubao Proのスコア後退は、連続した多ターンのビジネスルール制約下でリスクが高いことを示唆する。導入を計画する企業は、サラミスライス型の段階的リクエストのフェーズに二次確認メカニズムを設け、単一ターン通過後に後続の制約が徐々に無効化されるリスクを回避すべきだ。
戦略的判断と次期検証シグナル
今回のデータは、Grok 4の守約能力が市場に過小評価されている可能性を示しており、96.30点のリード優位性がv3.1の問題形式のもとで実証された。一方、Gemini 2.5 Proの守約能力は過大評価されていた可能性があり、12.5点の下落はv3多ターン圧力下での脆弱性を示している。Claude Sonnet 4.6の13.5点反発については、次期においてS_kbv（制約記憶）が安定しているかどうかを引き続き追跡する価値がある。
モデルのアップデートまたはプロンプト感受性の変化が主な駆動要因と分析されるが、DeepSeek V4 ProとGPT-o3の上昇が持続可能かどうかは次サイクルでの確認が必要だ。企業がモデルを選定する際は、安全コンプライアンスシナリオへの直接展開においてTop 3モデルを優先的に検討し、ランキング5〜7位のモデルに対してはKBV復唱プローブ型のランタイム検証を追加することが推奨される。
守約能力の分化は実験室指標から本番意思決定の真のしきい値へと変わっており、次期検証の焦点はClaude Sonnet 4.6が91点台を維持できるか、そしてGemini 2.5 Proがさらに下落するかどうかの観察にある。
データ出典：YZ Index WDCD 守約ランキング | Run #296 · 変動追跡 | 評価方法論
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接