WDCD ラン #384：Grok 4が92点でトップ、平均命令遵守減衰率は-6.4%

Winzheng動的コンテキスト減衰（WDCD）ベンチマークは、大規模言語モデルがマルチターン対話においてユーザーの指示へのコミットメントをどの程度維持できるかを測定するものです。2026年10月18日に実施されたラン #384では、15モデルを対象に評価が行われ、ラウンド1からラウンド3にかけての平均命令遵守減衰率は-6.4%を記録し、Grok 4が92点でトップの座を獲得しました。

WCDDは3ラウンド制のプロトコルを採用しています。R1では初期の指示確認を記録し、R2ではモデルが2,000〜5,000語の専門文書を処理した後の干渉耐性を検証し、R3では最終的な制約整合性チェックを実施します。採点は100%ルールベースでAI審判は一切使用せず、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つの実シナリオにまたがる30問を用いています。

トップ3の結果 — ラン #384：

• Grok 4 — 92.0点、減衰率-13%
• Claude Opus 4.7 — 90.7点、減衰率-50%
• DeepSeek V4 Pro — 90.4点、減衰率-38%

Grok 4の首位は比較的浅い減衰率（-13%）によって支えられており、3ラウンドを通じて最も安定したパフォーマンスを示しています。Claude Opus 4.7とDeepSeek V4 Proはより急激な減衰を示しているものの、いずれも高い総合スコアを達成しており、R1の基準値が非常に高く、大きな減衰を吸収してもなおトップ層に留まることができています。

分布の下位では、GPT-o3が-50%という最悪の減衰率を記録し、今回のランで観測されたマルチターンコミットメントの中で最大の落ち込みとなりました。注目すべき点として、Claude Opus 4.7もデータセット上で-50%の減衰率を示しており、減衰率の絶対値だけでは順位が決まらないことが明らかになっています——R1の上限値と、制約が失われた具体的なシナリオが最終スコアに大きく影響します。

ラン #384で観察されたパターン：

• ラウンド1の指示確認とラウンド3の整合性の間のギャップが、全体のスコア分散における最大の要因であり続けています。
• R2で導入される干渉文書が制約ドリフトの主要なトリガーであり続けており、特にbusiness_ruleおよびdata_boundaryのシナリオで顕著です。
• 平均減衰率-6.4%は、以前のランと比較してフロンティアモデル全体でマルチターンコミットメントがより安定して維持されていることを示していますが、一部のモデルでは依然として壊滅的な制約喪失が見られます。

採点基準とプロトコルの詳細：https://www.winzheng.com/yz-index/methodology

機械可読形式のランデータ：https://www.winzheng.com/yz-index/api/v1/dcd