Winzheng Dynamic Contextual Decay（WDCD）ベンチマークは、AIモデルがマルチターン対話においてユーザー指示への準拠をどの程度維持できるかを測定するもので、100%ルールベースのスコアリングを採用し、AI審判は一切使用しない。Run #411（2026年11月4日）では、5つの実世界シナリオにわたる30問を用いて15モデルを評価した結果、ラウンド1からラウンド3にかけてフィールド全体の平均指示崩壊率は-80%を記録した。
上位3位リーダーボード：
- GPT-6 Astra — 90.5点、崩壊率 -100%
- Gemini 3.1 Pro — 90.0点、崩壊率 -0%
- GLM-4.6 — 90.0点、崩壊率 -100%
GPT-6 Astraは絶対スコアで1位を獲得し、Gemini 3.1 ProはR1からR3にかけて-0%という特異な崩壊プロファイルを示した。これはこのRunの分布において「最も崩壊の少ない」数値として記録される一方、マルチターンにおける指示維持安定性のトップ的な外れ値でもある。GLM-4.6は合計スコアでGemini 3.1 Proと並ぶが、このRunのフロンティアモデルに多く見られるパターンに沿っており、トップと同様に-100%の崩壊率で終了している。
崩壊パターンについて。R1からR3にかけてのフィールド全体平均-80%という数値は、テスト対象のほとんどのモデルがラウンド1では指示を正常に受け入れる（指示承認）ものの、ラウンド2で導入される2,000〜5,000語の専門的なディストラクター文書にさらされた後、制約の整合性が大幅に失われることを示している。ラウンド3の最終制約整合性チェックにおいて、指示崩壊はコホート全体における主要な失敗モードとなっている。
Run #411の注目すべき観察結果：
- GPT-6 Astraは最高の絶対スコア（90.5点）と、このRunで最も優れた崩壊耐性プロファイル（-100%）を兼ね備えている。
- Gemini 3.1 Proの-0%という数値はフィールド平均-80%から大きく外れており、data_boundary、resource_limit、business_rule、security、engineeringの各タスクにおけるシナリオ別の挙動をより詳しく検証する必要がある。
- 上位3モデルのスコア差はわずか0.5点であり、崩壊ダイナミクスに差異があるにもかかわらず、フロンティア上位での接戦が示されている。
WDCDは全3ラウンドを通じて完全にルールベースで運用される——R1指示承認、R2ディストラクター耐性、R3最終制約整合性——いずれも、AI審判に依存しない再現可能なスコアリングを保証している。
完全な方法論：https://www.winzheng.com/yz-index/methodology
Raw Data 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