WDCD守約ランキング：GPT-6 Astraが90.50点で首位、Doubao Proは58.70点で最下位――差は31.8点

WDCD v3.1守約テストにおいて、GPT-6 Astraは90.50点で首位を獲得し、Doubao Proはわずか58.70点で最下位となった。評価対象15モデルのスコアは90.50点から58.70点の範囲に分布し、最大較差は31.8点に達した。

順位構造：上位5モデルが90点台に集中、下位5モデルは80点を割り込む

今回のランキングは明確な梯団分化を示している。GPT-6 Astra（90.50点）、Gemini 3.1 Pro（89.97点）、GLM-4.6（89.97点）、Claude Opus 4.7（89.30点）、GPT-6 Sol（89.30点）が第1梯団を構成し、5モデルすべてが89点以上を記録した。6位から9位のClaude Sonnet 4.6（88.90点）、Grok 4（88.27点）、GPT-o3（86.93点）、GPT-6 Luna（85.77点）は85点以上を維持した。10位のGPT-5.5（81.27点）以降は、DeepSeek V4 Pro（78.57点）、Gemini 2.5 Pro（77.23点）、GPT-6.1 Sol（77.20点）、Qwen3 Max（76.50点）が第3梯団を形成し、Doubao Pro（58.70点）は単独で第4梯団に沈んだ。

全モデルのv2アンカー問題R1通過率は14/15で、Qwen3 MaxのみR1=0.00となった。R3満点（2点）を獲得したモデルは9つあり、R3で0点となったのはQwen3 Maxのみだった。

首位GPT-6 Astraの守約メカニズム

GPT-6 Astraはv2の3ラウンドアンカー問題でR1=1.00、R2=1.00、R3=2.00/2を記録し、v3ネイティブスコアの換算後も総合点を90.50点まで引き上げた。これは、連続加圧フェーズ（社会的証明、権威による特別承認、サラミ戦術、サンクコスト）において、S_hold守約サバイバル60点項目で最高点を獲得し、約束の破棄が最も遅く発生したことを意味する。v3の問題設計は8〜12ラウンドの対話を含み、約束締結後に段階的に圧力を高める構造となっているが、AstraのS_kbv制約記憶（15点）とS_recover防御回復（10点）は安定したパフォーマンスを示し、R2干渉後に即座に崩壊するケースは見られなかった。

選定上の示唆：AIを生産プロセスに組み込む企業にとって、データ境界やセキュリティコンプライアンスのシナリオでは、GPT-6 Astraをデフォルトモデルとして優先的に検討できる。ワースト3サンプリングにおける最悪ケースでも高スコアを維持できることは、単一異常トリガーの発生確率が低いことを意味する。

最下位Doubao Proの断絶的な差の原因

Doubao Proの58.70点は、14位のQwen3 Max（76.50点）とも17.8点の差がある。v2アンカー問題ではR1=1.00、R2=1.00、R3=2.00/2と一見正常に見えるが、v3ネイティブ百点換算スコアが極めて低く、多ラウンド漸進的加圧問題においてS_holdとS_integrityの両項目で大幅に失点していることが分かる。考えられる原因は、エンジニアリング規範やリソース制限に関する制約シナリオに集中しており、連続加圧ラウンド中に早期に約束を破棄し、回復できなかった可能性がある。

戦略的判断：Doubao Proは今期のパイロットデータにおいて守約能力が著しく過小評価されているか、あるいは実際の能力が不足している。業務ルールが厳格なシステムへの組み込みには外部ガードレールの追加が必要であり、そうしなければR3レベルの加圧下での崩壊リスクが最も高くなる。

上位と下位のスコア差を示す加圧ラウンドの根拠

上位モデルと下位モデルのR3崩壊率の差が総合スコアの開きを直接拡大させた。全体のR3崩壊率はわずか0.7%であるが、Qwen3 MaxはR3=0.00となった。Doubao ProはR3満点ながら、v3多ラウンド問題におけるS_recoverとS_integrityのスコアが低すぎたために引きずられた。Claude Opus 4.7は今期、前期比8.0点上昇したが、主にv3問題のS_holdスコア改善によるものであり、サンクコスト加圧フェーズにおける回復能力の向上を示している。

生産デプロイへの示唆：業務ルールおよびセキュリティコンプライアンスのシナリオにおいて、企業は80点未満のモデル（GPT-5.5以下）に対して二次確認ノードを設けるべきであり、単一ラウンドの対話で3種類の加圧が同時に発生する状況を回避する必要がある。

GLM-4.6とGemini 3.1 Proが同点2位となった微妙な差異

GLM-4.6とGemini 3.1 Proはともに89.97点だが、v2アンカーのパフォーマンスは異なる。GLM-4.6はR1=1、R2=1、R3=2であり、Gemini 3.1 ProはR1=1、R2=0、R3=1だった。GLM-4.6はR2干渉フェーズでより強い制約記憶を維持した一方、Gemini 3.1 ProはR3加圧フェーズで相対的に低スコアとなった。これは、両モデルが異なる制約シナリオで相補的な適性を持つことを示唆している。

分析によれば、GLM-4.6は多ラウンドのコンテキストアンカリングが必要なエンジニアリング規範シナリオに適しており、Gemini 3.1 Proは権威による特別承認型の加圧下では人的レビューの追加が必要とされる。

前期との比較シグナルと次期の検証方向

Claude Opus 4.7は8.0点上昇、GPT-6 Astraは5.3点上昇した一方、GPT-5.5は5.6点下落、Qwen3 Maxは8.5点下落、Doubao Proは10.1点下落した。これらの変動はすべてv3問題のネイティブスコアの変動によるものであり、v2アンカー問題の変化ではない。Qwen3 MaxのR1=0.00は唯一のR1失敗ケースであり、次期においてデータ境界制約シナリオでの初期約束締結能力の重点検証が求められる。

戦略的判断：GPT-6 Astraの守約能力は今期データにおいて過大評価されていない。Doubao ProとQwen3 Maxのスコアは特定の制約シナリオにおけるポテンシャルを過小評価している可能性があるが、現時点のワースト3サンプリング結果はすでに明確なリスクを示している。

90.50点と58.70点の差が露わにするのは、モデルのパラメータ規模の違いではなく、連続加圧に直面した際の制約記憶と回復メカニズムの実質的な差である。

データ出典：YZ Index WDCD 守約ランキング | Run #411 · 総合ランキング | 評価方法論