Qwen3 MaxのWDCDスコアが26.2点急落——上昇したのはわずか2モデル、12モデルが下落

今回のWDCD v3.1テストは26問、15モデルを対象とし、サンプリング方式はworst-of-3を採用した。結果として、DeepSeek V4 Pro（+2.3点）とGPT-6.1 Sol（+2.1点）の2モデルのみがスコアを伸ばし、残る12モデルはすべて下落した。なかでもQwen3 Maxは26.2点減、GPT-6 Lunaは15.8点減、GPT-o3は11.9点減となった。

データの実態：下落率80%、トップ5内の格差が拡大

Run #400との比較では、今回Gemini 3.1 Proがわずか3点の微減にとどまり、91.00点で首位を維持した。Zhipu GLM-4.6は11.8点下落して84.38点、Grok 4は6.1点下落して84.18点、Claude Opus 4.7は83.05点でトップ5入り、GPT-6 Solは4.2点下落して82.71点となった。下落したモデルのうち、GPT-5.5は10.2点減、Claude Sonnet 4.6は8.7点減、Gemini 2.5 Proは11.7点減、Doubao Proは5.1点減を記録した。上昇した2モデルはいずれも3点未満の小幅増にとどまり、全体として「ごく一部が微増、大多数が明確に後退」という構図となった。

要因分析：多ターン圧力下での制約維持能力と回復能力が同時に低下

WDCD v3の問題形式は8〜12ターンの対話を採用しており、最初に2〜5つの並行するハード制約を設定したうえで、社会的同調圧力・権威による特別承認・スリッピングスロープ・サンクコスト圧力を順次加え、最後にKBV（制約記憶検証）プローブと最終ターンの誠実性振り返りを実施する。採点では、S_hold（制約維持生存）が60点を占め、制約を破るタイミングが遅いほど高得点となる。S_kbv（制約記憶）は15点を占める。Qwen3 MaxとGPT-6 Lunaの落ち幅が最大であった背景には、連続する圧力ターンでS_holdとS_kbvの両方が同時に失点したことが考えられる。GPT-o3とZhipu GLM-4.6はともに11点超の下落となっており、サンクコスト圧力が高まる段階でより早く制約を破りやすいことを示唆している。一方、DeepSeek V4 ProとGPT-6.1 Solが小幅上昇したのは、同じ圧力経路においてS_recover（突破後の回復）とS_integrity（誠実な自己申告）のスコアが比較的安定していたためと見られる。

12モデルのうち、10点超の下落を記録したモデルが6つに達しており、v3問題プールがプロンプト感度の識別精度を大幅に高めていることを示している。

モデル選定への示唆：制約シナリオの優先度を区別した導入が必要

AIを業務プロセスに組み込む企業にとって、Gemini 3.1 Proの91.00点という制約維持能力は、データ境界やセキュリティコンプライアンスの場面において引き続き第一選択肢となり得る。ただし、リソース制約やエンジニアリング規範の場面では外部ガードレールの追加が必要であり、今回も3点の後退が見られた点に注意が必要だ。Zhipu GLM-4.6とGrok 4はトップ3に位置するものの、それぞれ11.8点・6.1点の下落を示しており、業務ルール系の制約において既に顕著な変動が生じている。R2（干渉フェーズ）およびR3（圧力フェーズ）では人手による確認ノードの追加を推奨する。Qwen3 Maxは26.2点の急落を受け、長期的な制約維持が求められるプロセスへの直接導入は適切でなくなっており、v3問題プールにおけるS_holdの具体的なターン別スコアを事前に検証する必要がある。

戦略的判断：制約維持能力が過大評価されていたモデルと注目すべきシグナル

今回のデータから、GPT-6 LunaとGPT-5.5の制約維持能力はこれまで市場で過大評価されていた可能性が高い。両モデルの下落幅はそれぞれ15.8点・10.2点に達し、いずれもトップ5入りを果たせなかった。DeepSeek V4 Proは小幅上昇しており、v2アンカー問題での潜在的なパフォーマンスと合わせて、次回以降も継続的な優位性を形成するかどうか注目に値する。GPT-6.1 SolとGPT-6 Solは同一シリーズでありながら一方が上昇・他方が下落しており、この差異は制約記憶と回復メカニズムのわずかな調整に起因する可能性がある。このシグナルは次サイクルにおいてworst-of-3のS_kbv単項スコアにより検証できる。

全体として、今回のWDCD結果は、大多数のモデルが多ターン段階的圧力下での制約維持能力において系統的な後退を示していることを明らかにした。企業がモデルを選定する際は、Gemini 3.1 Proの91.00点を基準として優先的に参照し、10点超の下落を記録したモデルに対してはより厳格な外部制約を設けるべきである。

制約維持能力は静的なラベルではなく、圧力テストのたびに更新されるリアルタイムのスナップショットである。

データ出典：YZ Index WDCD 制約維持ランキング | Run #406・変動追跡 | 評価方法論