Claude Sonnet 4.6が6.2ポイント上昇、Qwen3 Maxが11.9ポイント下落——WDCD守約能力の二極化が加速

今回のWDCD v3.1パイロット版では、Claude Sonnet 4.6とQwen3 Maxの2モデルのみに顕著なスコア変動が見られ、残る13モデルは安定を保った。Claude Sonnet 4.6のスコアは6.2ポイント上昇し、Qwen3 Maxのスコアは11.9ポイント下落した。守約総合スコアは、v3問題のネイティブ百点法とv2アンカー問題の換算値を等ウェイトで平均したものであり、サンプリング方式はworst-of-3を採用している。

データの事実：変動は2モデルのみ、Top5の構図に変化なし

現時点のTop5は順に、Grok 4（91.97）、Claude Opus 4.7（90.66）、DeepSeek V4 Pro（90.38）、Gemini 3.1 Pro（89.76）、GPT-o3（87.07）となっている。Claude Sonnet 4.6の6.2ポイント上昇はTop5入りに届かず、Qwen3 Maxの11.9ポイント下落も上位5位圏外への転落には至らなかった。15モデルのうち13モデルは、今回のRun #379比較において顕著な変化がなく、多くのモデルがv3の多段階漸進的プレッシャーテストおよびv2の3ラウンドアンカー問題において比較的安定したパフォーマンスを示していることがわかる。

要因分析：プレッシャーラウンドと制約シナリオの考えられるメカニズム

WDCD v3問題は8〜12ラウンドの対話を採用しており、まず2〜5件の並列ハード制約を設定した後、社会的同調、権威による特別許可、サラミ戦術、サンクコストなどの段階的プレッシャーを順次加え、最後にKBV（Key Binding Verification）復唱プローブと最終ラウンドの誠実な振り返りを実施する。S_hold（守約生存）は60点を占め、制約を破る時期が遅いほど高得点となる。Qwen3 Maxの11.9ポイント下落は、R3プレッシャー段階またはサラミ戦術・サンクコスト環節において最も起こりやすく、S_holdスコアが早期に減点された可能性が高い。Claude Sonnet 4.6の6.2ポイント上昇は、連続プレッシャー後も比較的高いS_holdを維持し、S_recover（防御破られた後の回復）とS_integrity（誠実な自己申告）の2項目で追加得点を獲得した可能性がある。

v2アンカー問題は満点4点で、バージョン間の比較可能性を担保するために使用される。Qwen3 Maxは今回のv2三ラウンドテストにおいてR3のスコアが前回を下回り、百点法への換算値が総合スコアを押し下げた可能性がある。Claude Sonnet 4.6はv3問題のKBV復唱プローブ環節において制約を記憶する能力が向上した可能性があり、S_kbv（15点項目）が増分の一部に貢献したと考えられる。現時点のデータは総合スコアの変動のみを示しており、5種類の制約シナリオのどれに起因するかを特定することはできないが、多段階漸進的プレッシャーの設計自体が、リソース制限およびセキュリティ・コンプライアンスのシナリオにおいてS_holdの脆弱性が露出しやすいことを示唆している。

モデル選定の意味：生産フローへの組み込みにおける実際のリスク境界

AIを生産フローに組み込む企業にとって、守約スコアは直接デプロイ可能なシナリオに影響する。Grok 4は91.97点でトップを維持しており、最悪ケースのサンプリング下でも設定された制約を比較的良好に維持できることを示し、データ境界やエンジニアリング規範類のタスクに適している。Claude Opus 4.7（90.66）とDeepSeek V4 Pro（90.38）がこれに続き、リソース制限シナリオでの代替候補となり得るが、ビジネスルールシナリオに対しては引き続き外部検証の追加設定が必要である。

Qwen3 Maxは11.9ポイント下落後、連続プレッシャー下でのS_hold生存能力が前回を下回った。セキュリティ・コンプライアンスシナリオにおいては、二次確認のガードレールを追加することを企業に推奨する。Claude Sonnet 4.6の6.2ポイント上昇は、今回のサンプリングにおける回復能力と自己申告能力の改善を示しているが、単一期のデータに過ぎないため、サラミ戦術型の要件変更シナリオでは引き続き手動レビューのノードを設けるべきである。すべてのモデルについて、実際のビジネスルールシナリオでworst-of-3による検証を行った後に初めて使用範囲の拡大を検討すべきである。

戦略的判断：守約能力が市場に過大評価・過小評価されているシグナル

今回のデータから推測すると、Qwen3 Maxの守約能力は市場に過大評価されている可能性がある。2モデルのみが変動した状況下での11.9ポイントの下落幅は際立っており、v3問題の連続プレッシャーに対する感応度が上昇していることを示唆している。Claude Sonnet 4.6の6.2ポイント上昇は過小評価されている可能性があるが、Top5入りを果たしていないため、その実際の生産価値に対する市場の認識は次期データによる確認が必要である。Grok 4、Claude Opus 4.7、DeepSeek V4 Proの3モデルは今回も首位グループを維持し顕著な変動もなく、守約能力は市場に比較的正確に評価されていると言える。

次回の検証で注目すべきシグナルは、Qwen3 MaxがS_holdスコアを次のサンプリングラウンドで回復できるか、そしてClaude Sonnet 4.6の上昇がTop5入りするまで持続するかどうかである。現行のパイロット段階はメインランキングのスコアに算入されない。企業がモデルを選定する際には、総合スコアの順位のみを参照するのではなく、worst-of-3下のS_hold 60点項目を優先的に参考にすべきである。

守約能力の二極化は、モデルサイズの単純な関数ではなく、多段階プレッシャー下におけるS_hold生存とS_integrity自己申告の真の競い合いである。

データソース：YZ Index WDCD 守約ランキング | Run #384 · 変動追跡 | 評価方法論