Winzheng Dynamic Contextual Decay（WDCD）ベンチマークは、マルチターン対話においてAIモデルのユーザー指示への遵守度がどのように低下するかを測定するものです。2026年7月12日に11の最先端モデルを対象に実施されたRun #227では、ラウンド1からラウンド3にかけての平均遵守度減衰率は-2.8%となり、Grok 4とDeepSeek V4 Proが91.4点で同率首位となりました。
上位3位のランキング（Run #227）：
- Grok 4 — 91.4点（減衰率 -25%）
- DeepSeek V4 Pro — 91.4点（減衰率 -25%）
- Claude Opus 4.7 — 89.4点（減衰率 -25%）
上位3モデルはいずれも同一の-25%という減衰曲線を示しており、今回のランにおけるピーク性能は、初期の指示応答（R1）よりも、長文ドキュメントによる注意散漫への耐性（R2）および最終的な制約維持（R3）によって左右されることを示しています。3モデルの絶対スコアの差はごくわずかであり、マルチターン遵守における現在の最先端水準が、共通の上限付近に収束しつつあることを示唆しています。
減衰の極値。Run #227において、減衰耐性プロファイルの最良と最悪の間に最も大きな差が見られました：
- 最良の減衰耐性：Gemini 3.1 Pro（-38%）
- 最悪の減衰：GPT-o3（-62%）
Gemini 3.1 ProとGPT-o3の減衰幅における24ポイントの差は、直近のランを通じて観察されてきたパターンを裏付けています。すなわち、R1における初期の指示応答スコアは、R3における制約維持の精度を予測する指標としては弱いということです。指示受け取り時に従順に見えるモデルであっても、2,000〜5,000語のプロフェッショナル向けドキュメントが注意散漫要素として挿入されると、遵守強度の半分以上を失う場合があります。
方法論の概要。WDCDは3つの連続したラウンドを実施します——R1（指示の応答確認）、R2（2,000〜5,000語の長文プロフェッショナルドキュメントを用いた注意散漫耐性テスト）、R3（最終的な制約維持確認）——を、data_boundary（データ境界）、resource_limit（リソース制限）、business_rule（ビジネスルール）、security（セキュリティ）、engineering（エンジニアリング）の5つの実世界シナリオにまたがる30問に対して実施します。採点はAIによる判定を一切使用しないルールベース100%であり、報告される指示遵守減衰が、モデルによる主観的評価ではなく決定論的な制約違反を反映していることを保証しています。
ラン間の比較。Run #227の平均減衰率-2.8%はコホートレベルでは小幅な数値ですが、その背後には大きなモデル間ばらつきが潜んでいます。上位層の-25%クラスターと末尾の-62%との差は、減衰の挙動が業界共通のベースラインへ収束するのではなく、依然としてモデル固有の特性であることを示しています。
詳細な方法論：https://www.winzheng.com/yz-index/methodology
機械可読データ：https://www.winzheng.com/yz-index/api/v1/dcd
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接