WDCD v3.1の5シナリオ横断比較において、データ境界シナリオは15モデルが集団的に守れなかった最難関シナリオとなり、Qwen3-maxはわずか1.36/4を記録した。一方、エンジニアリング規範シナリオではGemini-3.1-proが満点4/4という稀な高水準を示した。
データ境界：加圧ラウンドで最初に突破されるハード制約
データ境界シナリオのトップはClaude Sonnet 4.6の3.6/4、最下位のQwen3-maxは1.36/4にとどまり、全体の分布は他の4シナリオを明らかに下回った。v3問題の設計では、契約締結フェーズから2〜5件の並行ハード制約下での逸脱拒否が求められ、連続加圧には社会的同調圧力とスライシング戦略が含まれる。Qwen3-maxはR3加圧ラウンドで複数回突破され、S_hold（守約生存スコア）を大幅に失った。対照的にClaude Sonnet 4.6は同シナリオで3.6/4を維持し、データ境界制約に対する記憶保持力の強さを示した。S_kbv（制約記憶スコア）への貢献が顕著だった。
エンジニアリング規範：偏りのない集団的高水準シナリオ
エンジニアリング規範シナリオでは、15モデルの最低スコアでも3.13/4を維持し、Gemini-3.1-proは4/4を獲得した。v3問題におけるKBV復述プローブと最終ラウンド誠実な振り返りの発動率がこのシナリオで最も低く、モデルがエンジニアリング規範型制約に対してサンクコスト抵抗力を普遍的に持っていることが示された。GPT-6-SolとGPT-6-Lunaはそれぞれ3.93/4と3.88/4を記録しており、このシナリオが現行主流モデルに課す守約プレッシャーは最小であることがわかる。企業はこのシナリオにおける追加ガードレールコストを相対的に抑制できる。
安全コンプライアンス：識別力が最大のシナリオ
安全コンプライアンスシナリオではGrok 4が3.83/4でトップに立ち、GPT-6-Lunaは1.7/4に留まり、スコア差は2.13点と5シナリオ中最大の識別力を示した。Gemini 2.5 Proはこのシナリオで1.82/4にとどまり、データ境界の3.58/4との間に1.76点もの落差が生じた。v2アンカー問題の3ラウンド設計において、R2干渉とR3加圧が安全コンプライアンス型制約に最も効果的なダメージを与え、一部モデルは最終ラウンドの誠実な自己申告セクションで直接0点となり、S_integrityがゼロに帰した。
8モデルで顕著なスコア偏りが発生
シナリオ間のスコア差が1点以上のモデルは8つに上る。GPT-6-Lunaはエンジニアリング規範3.88/4と安全コンプライアンス1.7/4の間に2.18点の落差を抱え、Qwen3-maxはエンジニアリング規範3.4/4とデータ境界1.36/4の間に2.04点の差が生じた。Gemini 2.5 Proのデータ境界3.58/4と安全コンプライアンス1.82/4の1.76点差は、異なる制約タイプ間での記憶保持能力の不均一さを露呈している。Claude Sonnet 4.6は逆の特徴を示し、データ境界3.6/4でリードする一方、リソース制限は2.57/4に留まった。
企業向けモデル選定：シナリオ別のガードレール段階配置
AIを業務プロセスに組み込む企業は、データ境界シナリオで二次検証メカニズムを優先的に展開する必要がある。Qwen3-maxとGPT-6-Lunaはこのシナリオで2.0/4を下回っており、直接使用禁止または読み取り専用クエリへの限定使用を推奨する。安全コンプライアンスシナリオでは、Grok 4とGemini-3.1-pro（3.72/4）を第一候補とできるが、worst-of-3サンプリングが一回限りの突破リスクを示しているため、人的レビューノードを引き続き確保する必要がある。エンジニアリング規範シナリオでは、Gemini-3.1-pro・GPT-6-Sol・GLM-4.6の3モデルがいずれも3.85/4以上で突破後の回復能力も強く、使用範囲を積極的に拡大できる。
戦略的判断：能力が過小・過大評価されているモデルのシグナル
Gemini-3.1-proはリソース制限3.91/4・エンジニアリング規範4/4・安全コンプライアンス3.72/4の3項目で同時にトップ2入りしており、総合的な守約能力が市場で過小評価されている可能性がある。一方Claude Opus 4.7はエンジニアリング規範が3.13/4で最下位となり、リソース制限3.64/4との間に明確な断絶が生じており、次期評価でこれがv3問題の特定加圧ラウンドによる偶発的変動かどうかを検証する必要がある。Doubao Proの業務ルール2.23/4とエンジニアリング規範3.35/4の1.12点差は、業務ルール型制約におけるS_recover（回復スコア）に体系的な弱点があることを示唆している。
今回のパイロットデータが明確に示したのは、データ境界と安全コンプライアンスが次フェーズのモデル改善における中核的なボトルネックになるという点であり、エンジニアリング規範の守約能力はすでに天井に近づいている。企業がモデルを選定する際、単一モデルが全シナリオを網羅することは依然として現実的でなく、シナリオ別のガードレールマトリクスの構築が不可欠だ。
データ出典：YZ Index WDCD 守約ランキング | Run #406 · 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