Grok 4のWDCDスコアは95.00点で、Run #211比3.8点上昇し、引き続き首位をキープ。DeepSeek V4 Proは26.2点上昇して94.00点に達し、GLM-4.6は21.8点上昇して93.60点を記録。両モデルとGrok 4の差はいずれも2点以内となっている。
データの事実：上昇モデルの集中と中高スコア帯における競争激化
今回のパイロット評価には11モデルが参加し、サンプリング方式はworst-of-3を採用。スコアが上昇したモデルはGrok 4（+3.8）、DeepSeek V4 Pro（+26.2）、GLM-4.6（+21.8）、GPT-o3（+13.2）、Gemini 2.5 Pro（+17.3）、Claude Opus 4.7（+10.3）、豆包 Pro（+10.5）、GPT-5.5（+9.5）、Qwen3 Max（+9.2）。唯一下落したモデルはClaude Sonnet 4.6（-5.9）。現在のTop 5はGrok 4（95.00）、DeepSeek V4 Pro（94.00）、GLM-4.6（93.60）、GPT-o3（89.80）、Claude Opus 4.7（82.50）の順となっている。
守約総合スコアは、v3問題のネイティブ100点満点スコアとv2アンカー問題の換算値を等ウェイト平均して算出される。v3問題は8〜12ラウンドの対話で構成され、まず2〜5つの並行ハード制約を設定した後、社会的同調、権威による特別承認、スライシング（サラミ戦術）、サンクコストの4種類の段階的プレッシャーをかけ、最後にKBV復唱プローブと最終ラウンドの誠実性レビューを実施する。採点次元ではS_hold（守約生存）の重みが最も高く（60点）、制約違反が遅いほど高スコアとなる。
要因分析：v3プレッシャーラウンドと制約シナリオにおける差異化パフォーマンス
DeepSeek V4 ProとGLM-4.6の大幅上昇は、S_hold次元における多ラウンドのプレッシャー下での制約違反の遅延によるものと考えられる。v3問題の設計では、第4〜7ラウンドの「スライシング」と「サンクコスト」プレッシャーが早期の制約違反を最も引き起こしやすい。モデルが第8ラウンド以降に初めて制約に違反した場合、S_holdで高スコアを得ることができる。両モデルの今回のスコアがGrok 4に近いことから、KBV復唱プローブ段階における初期制約の記憶保持率（S_kbv）も同時に向上した可能性がある。
Claude Sonnet 4.6の下落は、S_recoverとS_integrityという低ウェイトの2次元を指している。v2アンカー問題のR3プレッシャーラウンドの満点は2点であり、モデルがR3段階で制約違反後に誠実な自己申告によってS_integrityのスコアを回復できない場合、直接0点が記録される。今回の5.9点の下落は、安全コンプライアンスやエンジニアリング規範に関する制約シナリオにおける回復能力の低下を示唆している。
5種類の制約シナリオのうち、リソース制限とビジネスルールのシナリオは並行ハード制約の数が通常3〜4つとなり、S_holdへの生存プレッシャーが最も大きい。スコアが上昇したモデルは、これら2種類のシナリオの第6〜9ラウンド対話において、より長い守約ラウンド数を維持した可能性が高い。
モデル選定への示唆：生産フロー接続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、Grok 4、DeepSeek V4 Pro、GLM-4.6の3モデルはいずれもWDCDが93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において追加のガードレール密度を適度に下げられることを意味する。企業は契約審査やコンプライアンスチェックなど、「特定フィールドの非開示」制約を厳格に実行する必要があるタスクでこれら3モデルを優先的に試用できる。
Claude Opus 4.7は82.50点で中央値を上回るが、Top 3との差は12点以上あり、リソース制限タスクでは引き続き手動レビューノードの維持を推奨する。Claude Sonnet 4.6はスコア下落後、多ラウンドの反復修正が必要なエンジニアリング規範シナリオにおいて、制約違反後に無実を偽称するリスクが相対的に高まっており、追加のS_integrity検証プロンプトが必要となる。
GPT-o3は89.80点で許容範囲内にあり、ビジネスルールシナリオでの第2梯団の選択肢として適しているが、制約条件が4つを超える場合は、Grok 4を並行デプロイしてクロス検証することを推奨する。
戦略的判断：守約能力が過小評価・過大評価されているモデル
DeepSeek V4 ProとGLM-4.6の今回の上昇幅は20点超であり、その守約能力がこれまで市場に過小評価されていた可能性を示している。両モデルはv3問題の連続プレッシャー段階でより強い制約記憶保持を示しており、次回の評価では「権威による特別承認」プレッシャー下でのパフォーマンスが安定しているかどうかを重点的に検証する価値がある。
Claude Sonnet 4.6のスコア下落は、その守約一貫性がこれまで市場に過大評価されていた可能性を示唆している。分析によると、同モデルはv2アンカー問題のR3段階におけるS_integrityのパフォーマンスが低下し、総合スコアを直接引き下げた。企業が同モデルの過去の評判に基づいて選定している場合、多ラウンドの段階的プレッシャー下での実際のパフォーマンスを再評価する必要がある。
Grok 4は3.8点の上昇にとどまったものの、95.00点で引き続きリードしており、S_holdとS_kbvという2つのコア次元で安定した優位性を確立していることを示している。次のサイクルでは、Qwen3 Max（+9.2）と豆包 Pro（+10.5）がその上昇幅をTop 3への実質的な追い上げに転換できるかどうかを観察する必要がある。
DeepSeek V4 ProとGLM-4.6の26.2点と21.8点の上昇幅は、v3.1のプレッシャーメカニズム下における守約能力の真の弾力性を明らかにした。次回の評価で両モデルがリソース制限シナリオの第8ラウンド以降も引き続き制約を維持できるならば、市場における「高守約モデル」の序列は実質的な再編を迎える可能性がある。
データ出典：YZ Index WDCD 守約ランキング | Run #221 · 変化追跡 | 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