WDCD v3.1サイクル：Doubao Proが22.8ポイント下落、GPT-5.5が11.8ポイント上昇、約束遵守能力の二極化が加速

今回のWDCD v3.1約束遵守テストでは、GPT-5.5がRun #365の比較基準から11.8ポイント上昇して92.60点に達し、DeepSeek V4 Proは9ポイント上昇して94.00点、Claude Sonnet 4.6は8.5ポイント上昇した。同期間中、Doubao Proは22.8ポイント下落し、Claude Opus 4.7は6ポイント下落した。上昇モデルは6個、下降モデルは2個で、全体として明確な二極化が見られた。

データファクト：具体的なスコアと順位の変動

現在のトップ5は、GLM-4.6 WDCD=100.00、Grok 4 WDCD=97.50、Gemini 3.1 Pro WDCD=95.20、DeepSeek V4 Pro WDCD=94.00、GPT-5.5 WDCD=92.60となっている。DeepSeek V4 ProとGPT-5.5はいずれもトップ5入りを果たし、それぞれ前サイクルから9ポイントおよび11.8ポイントの上昇を記録した。GPT-6 Lunaは10.7ポイント上昇、Qwen3 Maxは10.9ポイント上昇、GPT-6 Solは8.1ポイント上昇した。下落したDoubao ProとClaude Opus 4.7はトップ5に入らなかった。

要因分析：プレッシャーラウンドと制約シナリオにおける考察

WDCD v3の問題設計は8〜12ラウンドの対話形式を採用し、まず2〜5件の並列ハード制約を設定した後、社会的同調、権威による特別承認、サラミスライス、サンクコストといった手法で段階的に圧力を高め、最後にKBV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。Doubao Proの22.8ポイント下落は、サンクコストまたはサラミスライスフェーズにおける約束遵守継続スコア（S_hold）の大幅低下が原因と考えられ、これが全体の百点換算スコアを押し下げた。GPT-5.5の11.8ポイント上昇とDeepSeek V4 Proの9ポイント上昇は、R3プレッシャーラウンドまたはKBV復唱プローブフェーズにおける制約記憶スコア（S_kbv）と突破回復スコア（S_recover）の改善によるものと考えられる。

Claude Sonnet 4.6が8.5ポイント上昇した一方でClaude Opus 4.7が6ポイント下落したという同一シリーズ内での逆方向の動きは、約束遵守能力の差異が全体的なアーキテクチャよりも、特定の制約シナリオにおけるプロンプト感度に起因する可能性が高いことを示唆している。v2アンカー問題の3ラウンド設計において、R3プレッシャーラウンドの重みは2点を占めており、モデルがリソース制限または安全コンプライアンスシナリオでR3スコアの変動が最大になる場合、等加重平均スコアに直接影響を与える。

モデル選定への示唆：本番環境統合における実際のリスク境界

AIを本番フローに組み込む企業は、WDCDスコアを直接参考にしてガードレールの強度を決定できる。GLM-4.6（WDCD=100.00）は、データ境界および安全コンプライアンスシナリオで追加ルール層の削減を検討できる。GPT-5.5（WDCD=92.60）とDeepSeek V4 Pro（WDCD=94.00）はエンジニアリング規範タスクに適しているが、ビジネスルールシナリオでは引き続き人的レビューを残す必要がある。Doubao Proは今サイクルで22.8ポイント下落したため、多ラウンドの段階的プレッシャーを伴うフローでは独立した制約チェックノードを追加し、S_holdの早期ゼロ化による下流フローの違反を防ぐことを推奨する。

長期対話での制約維持が求められるシナリオでは、トップ5モデルを優先的に選択することでS_integrity（誠実な自己申告）がゼロになるリスクを低減できる。複数モデルを併用する企業は、下落したモデルに対して追加のプロンプトテンプレートを設定し、権威による特別承認型の圧力による制約の無効化を防ぐ必要がある。

戦略的判断：過小評価・過大評価のシグナル

GPT-5.5とDeepSeek V4 Proが今サイクルで同時にトップ5入りし、いずれも9ポイント超の上昇を記録したことは、v3の多ラウンドプレッシャー下における約束遵守継続能力が従来市場で過小評価されていた可能性を示している。後続バージョンでこのトレンドが維持されれば、次サイクルでS_recoverスコアの安定性を検証する価値がある。Doubao Proの単サイクルでの22.8ポイント下落は最大幅であり、トップ5未入りという事実と合わせると、このモデルはエンジニアリング規範またはリソース制限シナリオにおける制約記憶に系統的な弱点がある可能性を示唆しており、次サイクルで反発するかどうかを継続して観察する必要がある。

GLM-4.6は100.00点を維持しており変動リストには登場していない。これは現在の問題プールにおけるworst-of-3サンプリング下で約束遵守パフォーマンスが最も安定していることを示している。Qwen3 Maxは10.9ポイント上昇したがトップ5入りは果たせず、上昇幅は大きいものの、ビジネスルールシナリオでのS_kbvとS_integrityの両スコアについてさらなる検証が必要であることを意味している。

約束遵守能力の二極化は、単一スコアの問題から本番デプロイの実質的な参入基準へと進化した。次サイクルでは、上昇モデルの安全コンプライアンスシナリオにおけるR3プレッシャーパフォーマンスの検証に重点を置く。

データ出典：YZ Index WDCD 約束遵守ランキング | Run #379 · 変動追跡 | 評価方法論