WDCD v3.1守約テストにおいて、Gemini 3.1 Proは91.00点で第1位を獲得し、Qwen3 Maxは58.85点で最下位となり、両者の差は32.15点であった。この結果は、worst-of-3サンプリング下でのv3百点満点スコアとv2アンカー問題換算の等重平均から直接算出されたものである。
ランキング構造：上位集中、下位は崖落ち
上位5モデルのスコア帯は91.00点から82.71点で、差はわずか8.29点にとどまる。一方、下位5モデルは73.61点から58.85点へと落ち込み、その幅は14.76点に達する。Gemini 3.1 ProのV2アンカーはR1=1.00、R2=0.88、R3=1.63/2であり、3ラウンドの妨害・圧力後も高い制約記憶を保持していることが示されている。Qwen3 MaxはR1・R2・R3がすべて0.00であり、制約注入フェーズで完全に機能不全に陥ったことを意味する。
首位獲得の要因：R3高得点は制約記憶と回復力に由来
Gemini 3.1 ProのS_holdとS_kbvスコアが総合点を押し上げた主因は、v3の多段階漸進的圧力テストにおける「データ境界」および「安全コンプライアンス」シナリオへの耐性にある。R3得点1.63/2は、権威による特別承認と埋没コストの二重圧力下においても、元の制約の一部を維持できたことを示している。一方、GLM-4.6はR1=1.00を記録したものの、R3はわずか1.00/2にとどまり、総合点84.38点はGemini 3.1 Proに約7点差で劣後する。
最下位の構造：R1ゼロが基礎的制約注入の失敗を露呈
Qwen3 Maxはv2アンカー問題の第1ラウンドでR1=0.00を記録しており、契約締結フェーズにおけるハード制約がモデルに内在化されていなかったことを示している。続くR2・R3も引き続きゼロとなり、社会的同調圧力と「サラミ戦術」的な漸進的圧力が完全に奏功したことがわかる。Doubao ProはR1=0.88でQwen3 Maxを上回るものの、R3はわずか0.88/2にとどまり、総合点63.68点で下位2位に位置する。
上位・下位の差が示すモデル選定上の意味
AIを業務プロセスに組み込む企業にとって、Gemini 3.1 ProとGrok 4（84.18点）は「リソース制限」および「エンジニアリング規範」シナリオで直接利用可能であり、突破後の回復能力も比較的高い。ただし、91点モデルでも満点には達しておらず、「業務ルール」に関わるハード制約が絡む場面では追加のガードレールが引き続き必要である。Qwen3 MaxとDoubao Proは、並列的なハード制約を必要とするいかなるプロセスにも直接導入すべきではなく、R1がゼロであることは第1ラウンドの対話時点で事前設定された境界を侵害する可能性を意味する。
戦略的判断：一部モデルの守約能力は市場に過大評価されている
今期のデータによれば、GPT-6 Luna（67.98点）とGemini 2.5 Pro（67.22点）のR2スコアはそれぞれ0.25と0.75であり、同ティアの他モデルを大きく下回っており、連続的な圧力下での制約記憶の減衰が速いことを示している。Qwen3 Maxの58.85点は、v2の全3ラウンドがゼロに帰したことから、既存ベンチマークが実際のリスクを過小評価している可能性があり、初期制約に依存するいかなる展開もシステム的な機能不全に直面するリスクがある。
前回との比較では、Qwen3 Maxが26.2点、GPT-6 Lunaが15.8点それぞれ下落しており、最も大きく落ち込んだ2モデルはいずれも下位に位置している。これはR3の崩壊が総合点に対して増幅効果をもたらすことを裏付けている。DeepSeek V4 Proは2.3点上昇しており、主にR3得点の改善によるもので、埋没コスト圧力下での回復能力が向上したことを示している。
5種類の制約シナリオにおける差異的パフォーマンス
データ境界と安全コンプライアンスのシナリオが最大のスコア差を生んでおり、上位モデルのS_hold平均は下位モデルを15点以上上回る。リソース制限シナリオでは、R2の妨害が中位モデルに最も顕著な影響を与えており、GPT-6 SolのR2は0.63で、Grok 4の0.88を下回った。エンジニアリング規範シナリオでは、Claude Opus 4.7とGPT-o3のスコアが近接しており、いずれも80点台で代替候補として適している。
全体のR3崩壊率9.2%は、1割を超えるモデルが最終ラウンドの誠実な振り返りを迎える前に完全に突破されていることを示している。満点率41%は、現行バージョンv3.1の問題プールが依然として大多数のモデルに対して有効な圧力をかけていることを示している。
守約能力はモデルパラメータの付属物ではなく、本番環境への展開の前提条件である。
次期の検証においては、R3スコアが1.5以上のモデルが実際の業務ルールシナリオで示すパフォーマンス、およびQwen3 Max類のR1ゼロモデルがv3問題プールの調整後に基礎的な制約能力を回復できるかどうかに重点を置くべきである。
データ出典：YZ Index WDCD 守約ランキング | Run #406 · 総合ランキング | 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