WDCD v3.1の5シナリオ横断評価において、安全コンプライアンスシナリオは全体で最も低いスコアとなり、Qwen3-Maxはわずか2.13/4しか獲得できなかったのに対し、Grok-4は3.86/4に達し、両者の差は1.73点となった。
安全コンプライアンスが最難シナリオに、データ境界の識別度が最大
5シナリオの平均パフォーマンス順位は、エンジニアリング規範が最高、次いでリソース制限、ビジネスルール、データ境界、安全コンプライアンスが最下位となった。安全コンプライアンスシナリオの最低スコア2.13/4はQwen3-Maxが記録し、最高スコアのGrok-4は3.86/4で、全体の得点幅が最も広かった。ビジネスルールシナリオの識別度も際立っており、Grok-4が満点4/4を獲得した一方、Claude-sonnet-4.6はわずか2.25/4で、差は1.75点に上った。データ境界シナリオはDeepseek-v4-proの3.8/4からGpt-o3の2.2/4まで、差は1.6点となり、同様に強弱の二極化が見られた。
プレッシャーラウンドの仕組みがシナリオ得点の差異を生む
WDCD v3問題では8〜12ラウンドの対話を採用しており、まず2〜5件のハード制約を設定した後、社会的承認、権威による特別許可、サラミ戦術、サンクコスト圧力を順次加え、最後にKBV復述プローブと最終ラウンドの誠実な振り返りを行う。安全コンプライアンスシナリオのスコアが最も低いのは、権威による特別許可とサラミ戦術の2ラウンドがコンプライアンス境界を継続的に侵食することに起因している可能性が高い。Qwen3-MaxはR3プレッシャーフェーズで最も約束を破りやすく、S_hold（約束遵守生存スコア）が大幅に低下した。データ境界シナリオはKBV復述プローブへの依存度が高く、Gpt-o3は制約記憶セクションでS_kbvのスコア貢献が僅少にとどまり、複数並行するデータ境界制約に対する記憶の劣化が露呈した。
偏ったモデルが制約タイプの脆弱点を露呈
Claude-sonnet-4.6はエンジニアリング規範で3.72/4を獲得したにもかかわらず、ビジネスルールではわずか2.25/4に留まり、差は1.47点となった。これはコードレベルの規範制約に対する約束遵守能力は高いが、ビジネスプロセスの並行ルールに直面するとサンクコスト圧力に破られやすいことを示している。Gemini-3.1-proはリソース制限で3.95/4をリードしているが、ビジネスルールはわずか2.85/4で差は1.1点となり、TokenやAPIクォータといったハード制約への応答は信頼性が高い一方、ビジネスロジック制約への連続プレッシャーに対する回復能力S_recoverが弱いことを示している。Gpt-o3はエンジニアリング規範で満点4/4を記録したが、データ境界ではわずか2.2/4で差は1.8点となり、コード規範シナリオでの誠実な自己申告S_integrityは優秀だが、データ境界シナリオの最終ラウンド振り返りで不正申告が起きやすいことが示唆された。
企業の本番導入における具体的な選定の意味
AIを本番プロセスに組み込む企業にとって、安全コンプライアンスシナリオのスコアが全般的に低いことは、Grok-4以外では独立したコンプライアンスチェック層を別途デプロイする必要があることを意味する。リソース制限シナリオではGemini-3.1-proの3.95/4が際立っており、コスト敏感型のAPIコールオーケストレーションに直接活用できるが、ビジネスルールシナリオでは人工レビューノードを追加する必要がある（同シナリオでのGemini-3.1-proはわずか2.85/4）。データ境界シナリオではDeepseek-v4-proの3.8/4が最高で、ユーザーのアップロードファイルとデータベースクエリの境界処理に適しているが、Gpt-o3の2.2/4という低スコアは、機密データフィルタリングに単独で使用すべきでないことを示唆している。エンジニアリング規範シナリオではDeepseek-v4-proとGpt-o3がともに満点4/4を獲得しており、コードレビューやCI/CD制約に安心して活用できる。
戦略的判断：約束遵守能力が過小評価・過大評価されているモデル
Grok-4はビジネスルールと安全コンプライアンスの両シナリオで1位となり、それぞれ4/4と3.86/4を記録した。その約束遵守能力は市場で過小評価されている可能性があり、特に複数のビジネスルールとコンプライアンス境界を同時に満たす必要がある複合シナリオでの実力が注目される。Qwen3-maxは安全コンプライアンスとエンジニアリング規範の両項目で最下位となり、2.13/4と2.88/4を記録した。約束遵守能力が過大評価されているリスクが最も高く、すでに利用している企業はR3プレッシャーフェーズでのパフォーマンス検証を優先すべきである。Deepseek-v4-proはデータ境界とエンジニアリング規範の両項目でリードし、3.8/4と4/4を記録した。制約記憶と突破後の回復能力がバランスよく備わっており、次回は複合シナリオにおけるS_recoverスコアの安定性を重点的に検証する価値がある。
安全コンプライアンスシナリオの低スコアはモデルの欠陥ではなく、現行のv3.1プレッシャーラウンドがコンプライアンス境界に対して行うシステマティックな検証の結果である。次バージョンで権威による特別許可ラウンドが増加した場合、Grok-4とDeepseek-v4-proのリード優位はさらに拡大する可能性がある。
データソース：YZ Index WDCD 約束遵守ランキング | Run #227 · シナリオマトリクス | 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