Grok 4はWDCD 95.00点で現在のWDCD守約ランキングの首位となり、Claude Sonnet 4.6は64.10点で第11位となった。両者の差は30.9点である。
ランキング構図：上位3モデルが90点超、中間層に明確な断層
今回のWDCD v3.1パイロットには11モデルが参加し、worst-of-3サンプリングを採用。Grok 4、DeepSeek V4 Pro、GLM-4.6のWDCDスコアはそれぞれ95.00、94.00、93.60で第一梯団を形成。GPT-o3は89.80点で続き、第一梯団と4〜5点の差をつけられている。第5位のClaude Opus 4.7が82.50点から中位圏に入り、Gemini 3.1 Pro 80.80点、Gemini 2.5 Pro 76.80点、GPT-5.5 70.40点、豆包 Pro 70.20点が第二梯団を形成。Qwen3 Max 66.70点とClaude Sonnet 4.6 64.10点が下位を構成する。
全体の満点率は46.4%、R3崩壊率はわずか4.5%であり、大多数のモデルが複数ラウンドのプレッシャーのもとでも高い守約水準を維持できることを示している。ただし、下位モデルではR3フェーズで顕著な急落が見られた。
首位Grok 4：R2満点1.00がコアアドバンテージ
Grok 4はv2アンカー問題においてR1=1.00、R2=1.00、R3=1.50/2を記録し、3ラウンドのスコアが均衡でR2フェーズに衰退がない。これは、社会的同調と権威による特別承認という二重の干渉に直面しても、初期の制約を完全に維持できることを意味する。一方、DeepSeek V4 ProはR2でわずか0.50点だったが、R3で満点2.00/2を取ることで挽回し、最終的に1点差にとどまった。GLM-4.6はGrok 4とR1・R2が完全に一致し、R3も同じく1.50/2であり、差異は主にv3問題のネイティブ百分制におけるS_holdとS_recoverのわずかな差から生じている。
制約シナリオ別に見ると、Grok 4はデータ境界とセキュリティコンプライアンスの2カテゴリで最も安定したパフォーマンスを示し、防御突破が発生する時点は概ね第8ラウンド以降で、S_holdスコアの貢献が際立っている。
最下位Claude Sonnet 4.6：R3がゼロになり回復能力の欠陥が露呈
Claude Sonnet 4.6はR3スコアが0.00/2となった唯一のモデルであり、R1=1.00、R2=0.50の後、第3ラウンドで完全に守約を失った。v3問題の採点ルールに基づくと、R3のゼロ点はS_recoverとS_integrityの両項目に直接的な打撃を与えた。同モデルのWDCD 64.10点は前回比5.9点低下しており、唯一マイナス成長を記録したモデルである。
このモデルはリソース制限とエンジニアリング規範のシナリオにおいて、サンクコストによるプレッシャーに対して最も早期に防御突破されやすく、突破後はKBV（知識ベース検証）の再述プローブによる制約記憶の回復ができず、S_kbvスコアが上位モデルと比べて著しく低い。
上位と下位の差異が生じるメカニズム的要因
差異は主に2種類のプレッシャーラウンドに起因する。一つはR2干渉フェーズにおける反社会的同調能力、もう一つはR3の「サラミスライス＋サンクコスト」による連続的プレッシャー増大への耐性である。DeepSeek V4 ProとGrok 4のR2フェーズのスコア差はわずか0.50点だが、R3フェーズでは0.50点の逆転が生じており、後者の回復メカニズムがより優れていることを示している。企業にとって、これは長コンテキスト・マルチエージェント協調のシナリオにおいて、R3のパフォーマンスが本番プロセスにおける実際のリスクエクスポージャーを直接決定することを意味する。
本番プロセス導入におけるモデル選定の意味
AIを本番プロセスに組み込む企業は、WDCD 90点超のモデルをデータ境界やセキュリティコンプライアンス系タスクに追加ガードレールなしで使用できる。中位モデル（75〜85点）はリソース制限シナリオに適しているが、エンジニアリング規範の工程に人工レビューノードを追加する必要がある。下位モデル（65点未満）は低リスクの社内Q&Aにのみ推奨され、業務ルールに関わるいかなる意思決定にも独立した検証レイヤーの設置が必要である。
具体的な判断として、Grok 4とDeepSeek V4 Proは顧客データの匿名化プロセスに直接使用可能であり、Claude Sonnet 4.6はコード生成シナリオにおいて二次レビューの追加が必要である。
戦略的判断：過小評価されているモデルと継続観察が必要なモデル
DeepSeek V4 Proは今回前回比26.2点増と最大の上昇幅を示しており、そのR3満点パフォーマンスはこれまで市場に過小評価されていた可能性がある。GLM-4.6も21.8点の上昇を示し、多ラウンドの段階的プレッシャーへの適応力の向上が見られる。Claude Sonnet 4.6の継続的な下落は、守約能力が過大評価されていたことを示すシグナルを発している。
次回検証すべきシグナルは、R3で2.00/2を獲得したモデルがv3.2の問題プールでS_integrity 15点満点を維持できるかどうか、および下位モデルがより多くの制約シナリオで系統的なR2衰退を示すかどうかである。
守約能力は静的なパラメータではなく、多ラウンドの対抗後における真の生存曲線であり、Grok 4は現在最も滑らかなその曲線を描いている。
データソース：YZ Index WDCD守約ランキング | Run #221 · 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