Winzheng Dynamic Contextual Decay（WDCD）ベンチマークは、プロフェッショナルな妨害要素が存在する多ターン対話において、AIモデルがユーザーの指示をどれだけ正確に保持できるかを測定するものです。Run #233（2026年7月15日）では11モデルが評価され、ラウンド1からラウンド3にかけての平均指示崩壊率は27.3%という結果となりました。
上位3モデルの結果：
- GPT-o3 — 94点、崩壊率0%
- Grok 4 — 87.9点、崩壊率0%
- Claude Opus 4.7 — 87.6点、崩壊率0%
上位3モデルはすべてのシナリオにわたって完全な多ターンコミットメントを維持し、ラウンド1での承認内容をラウンド2の妨害フェーズ（ターン間に2,000〜5,000語のプロフェッショナル文書を挿入）を経ても保持し続け、ラウンド3の最終制約整合性チェックにおいても後退なく通過しました。
崩壊の極端な事例：リーダーボードの反対側では、Gemini 3.1 Proが-100%の崩壊スコアを記録し、最終ラウンドまでに追跡対象のすべての制約を放棄するという、今回のRunにおける最悪の結果となりました。DeepSeek V4 Proは同じ条件下で指示を測定可能な劣化なく保持し、同グループ内で最も強い崩壊耐性を示しました。
崩壊パターン：Run全体の平均27.3%という数値は、過去のWDCDラウンドで見られてきた持続的なパターンを裏付けています。すなわち、ほとんどのモデルは即時承認時（R1）には制約を保持しますが、長いプロフェッショナル文書が挿入される（R2）と徐々に逸脱し始め、ユーザーが元の制約を間接的に再提示するR3で最も急激な崩壊が起こるというパターンです。元の指示を背景情報として扱うのではなく、明示的に推論したモデルは、崩壊率が著しく低い結果となりました。
シナリオの範囲：Run #233の30問は、data_boundary、resource_limit、business_rule、security、engineeringという5つの実世界シナリオにわたっています。スコアリングは100%ルールベースであり、AIによる評価は一切使用していないため、再現性が確保され、評価者の揺らぎが排除されています。
注目すべき変化：GPT-o3、Grok 4、Claude Opus 4.7が崩壊率ゼロのまま約6点の範囲内に集中していることは、フロンティア層が安定した多ターンコミットメント動作に収束しつつあることを示しています。対照的に、Gemini 3.1 Proの結果は全体と比較して著しい後退を示しており、今回のRunにおける外れ値として際立っています。
完全な方法論：https://www.winzheng.com/yz-index/methodology
生データAPI：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