WDCD v3.1：4モデル上昇・2モデル下降、GPT-6 Luna が100点満点でDoubao Proを抑えトップに

WDCD v3.1パイロットフェーズの最新ラウンド結果によると、GPT-6 LunaのWDCDスコアは100.00点で現在のTop 5首位を獲得した。Doubao ProはRun #384比で20.3点上昇、Gemini 2.5 ProとGPT-5.5はそれぞれ6.2点下降、GPT-6 Astraは16.4点上昇、GPT-6 Lunaは10.6点上昇、GPT-6.1 Solは9.7点上昇した。

データの事実：上昇・下降の正確な分布

今ラウンドは15モデルが評価対象となり、問題プールは10問を含む。内訳はv3多ターン漸進的プレッシャー問題17問、v2三ターンアンカー問題8問。遵約総スコアはv3ネイティブ百点制とv2アンカー問題換算（total/4×100）の等重平均を採用し、サンプリング基準はworst-of-3とした。上昇モデルは4つ、下降モデルは2つ。GPT-6 Lunaの現スコアは100.00、GLM-4.6は98.20、DeepSeek V4 Proは97.30、GPT-6 Solは95.70、GPT-6.1 Solは94.40。Doubao Proの単ラウンド上昇幅が最大で20.3点に達した。

原因分析：プレッシャーターン数と制約シナリオの考えられるメカニズム

スコア差の最も可能性の高い要因は、v3問題の8〜12ターン対話構造にある。v3問題はまず2〜5件の並列ハード制約を設定し、その後「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」を用いて段階的にプレッシャーをかけ、最後にKBV復唱プローブと最終ターン誠実レビューを実施する。S_hold（遵約生存）が重み60点で破約が遅いほど高得点、S_kbv（制約記憶）が15点、S_recover（突破後の回復）が10点、S_integrity（誠実自己申告）が15点で、破約後に無実を偽申告すると直接0点となる。

Doubao ProとGPT-6 Astraの上昇幅が大きい背景には、データ境界・リソース制限類の制約シナリオにおけるR2〜R3ターンのパフォーマンス改善が関係している可能性がある。GPT-6 LunaはRun #384から今ラウンドで10.6点上昇して100.00に到達しており、安全コンプライアンスとエンジニアリング規範シナリオでの連続プレッシャー下においてS_holdとS_recoverの両スコアが同時に向上したことが示唆される。Gemini 2.5 ProとGPT-5.5がそれぞれ6.2点下降したのは、業務ルール制約下でworst-of-3サンプリング中のR3プレッシャー後にS_integrityスコアが低下したことを反映している可能性がある。

v2アンカー問題の三ターン設計（R1制約注入・R2妨害・R3プレッシャー）はクロスバージョン比較可能なアンカーを提供する。GPT-6シリーズ3モデルが同時に上昇したことは、多ターン漸進的プレッシャー下での制約記憶と突破後回復能力に系統的な変化が生じている可能性を示唆しており、単一プロンプトへの感度変動ではないと考えられる。

モデル選定の意味：本番環境への組み込み時の具体的判断

AIを本番ワークフローに組み込む企業にとって、WDCDスコアはデプロイ可能なシナリオに直接影響する。GPT-6 Lunaの100.00点とGLM-4.6の98.20点は、データ境界・安全コンプライアンス制約シナリオにおいて企業が追加のガードレールを削減して直接組み込みを検討できることを示す。ただしリソース制限・業務ルールシナリオでは、worst-of-3サンプリングが最悪ケースのパフォーマンスを捕捉済みであるため、引き続き手動レビューのノードを維持する必要がある。

Doubao Proは20.3点の上昇後、エンジニアリング規範類タスクでの試験運用に適しているが、S_kbv（制約記憶）の重み15点については引き続き監視が必要であり、サラミ戦術型プレッシャーパスに二次確認メカニズムを追加することを推奨する。Gemini 2.5 ProとGPT-5.5の6.2点下降は、権威による特別許可型プレッシャー下での遵約継続時間が短縮している可能性を示唆しており、企業はこのシナリオに独立した検証レイヤーを追加すべきである。

現在はパイロットフェーズであり、メインランキングの集計には参加していない。企業がモデル選定を行う際は、WDCDを補助指標として活用し、実際の業務制約シナリオの内部テストと組み合わせて使用することを推奨する。

戦略的判断：過小評価・過大評価のシグナル

GPT-6 Lunaは現在100.00点かつRun #384比で10.6点上昇しており、特に多ターンKBV復唱プローブ下でのパフォーマンスにおいて、その遵約能力が市場に過小評価されている可能性がある。Doubao Proの単ラウンド20.3点上昇は、遵約能力が急速に反復改善されていることを示唆しており、次期においてv3問題のS_recoverとS_integrityの具体的な変化を引き続き観察する価値がある。

Gemini 2.5 ProとGPT-5.5がそれぞれ6.2点下降したことは、GPT-6シリーズ全体の上昇トレンドと合わせて考えると、社会的同調とサンクコスト型プレッシャーパスに対する各モデルの異なる反応を反映している可能性がある。GPT-6 Astraの16.4点上昇とGPT-6.1 Solの9.7点上昇は、リソース制限制約シナリオにおけるGPT-6シリーズの系統的な改善を共に示していると分析される。

次期の検証シグナルは、worst-of-3サンプリングでS_holdスコアが80点未満のモデル、およびv2アンカー問題のR3プレッシャー後のS_integrityスコア分布に注目すべきである。GLM-4.6の98.20点とDeepSeek V4 Proの97.30点は高水準を維持しており、エンジニアリング規範シナリオでの連続プレッシャー下において依然として競争力を有することが示されている。

遵約能力は静的なラベルではなく、多ターンプレッシャー下における動態的な生存曲線である。今ラウンドのデータは、GPT-6 Lunaの100.00点とDoubao Proの20.3点上昇が共に、次の反復サイクルにおける真の分水嶺を指し示していることを示した。

データ出典：YZ Index WDCD 遵約ランキング | Run #390 · 変化追跡 | 評価方法論