GLM-4.6が29.8ポイント急落、GPT-5.5も6ポイント低下——WDCD約束遵守テストで両モデルが全面後退
WDCD v3.1パイロットデータによると、GLM-4.6のスコアが前回Run #326比で29.8ポイント、GPT-5.5が6ポイント低下し、上昇したモデルはゼロだった。Grok 4が91.76点でトップを維持している。
WDCD に関するニュース
WDCD横断比較：データ境界が最難関シナリオに — GLM-4.6はわずか1.36点で崩壊
WDCD v3.1テストにおいて、データ境界シナリオで全モデルが最低スコアを記録し、GLM-4.6はわずか1.36/4点にとどまった一方、DeepSeek V4 ProとGemini 3.1 Proは3.8/4点で並んだ。各シナリオにおける
R3誠実率わずか49.5%：Grok 4のゼロ崩壊とGLM-4.6の27.6%崩壊が示す約束遵守能力の格差
WDCD v2アンカー問題テストにおいて、Grok 4はR3段階で完全崩壊がゼロだった一方、GLM-4.6のR3崩壊率は27.6%に達し、同一の三ラウンド加圧下での約束遵守能力に顕著な差が生じた。
Grok 4が91.76点でWDCD守約ランキング首位、GLM-4.6は61.55点で最下位に沈む
WDCD v3.1パイロットテストにおいて、Grok 4が91.76点で11モデル中首位を獲得。GLM-4.6は61.55点で最下位となり、首位との差は30.21点に達した。
WDCD Run #326：DeepSeek V4 ProとGemini 3.1 Proが完全な劣化耐性を達成、フリート平均は72.7%低下
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #326において、11モデルを対象とした評価でフリート全体の指示遵守劣化率が平均−72.7%に達した。DeepSeek V4 ProとGem
Gemini 2.5 Pro、WDCD得点が25.1点急上昇——6モデルが改善、Doubao Proのみ6.3点下落
今回のWDCD v3.1テストでは、Gemini 2.5 Proが1回で25.1点上昇し、DeepSeek V4 Proが97.70点でトップに立った。6モデルがスコアを改善する中、Doubao Proのみが6.3点下落した。
WDCD横評：ビジネスルール場面が2.25点で全場最低、エンジニアリング規範がClaudeの唯一の弱点に
WDCD v3.1の5場面横断評価において、ビジネスルール場面の全体スコアが最も低く、Doubao Proはわずか2.25/4を記録。一方、Claude Opus 4.7はエンジニアリング規範の場面のみ3/4にとどまり、これが唯一の弱点とし
確認率91%から抵抗率36%へ——GLM-4.6の三ラウンド全崩壊が制約維持の欠陥を露呈
WDCD v3.1パイロットテストにおいて、GLM-4.6は初回ラウンドから制約を拒否し三ラウンドを通じてゼロ点を記録。複数制約の並行シナリオにおける系統的な欠陥が明らかになった。
97.7 vs 75.2：DeepSeek V4 Pro、約束遵守能力でQwen3 Maxに22点差をつけトップ独走
WDCD v3.1約束遵守ランキングにおいて、DeepSeek V4 Proが97.70点で首位を獲得し、11位のQwen3 Max（75.20点）に22.5点の大差をつけた。上位と下位の間には、生産システムでの実用可能性において明確な境界
WDCD Run #316：Grok 4がマルチターン指示遵守ベンチマークで首位、Claude Sonnet 4.6は指示劣化耐性でトップ記録
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #316において、Grok 4が93.8点で総合首位を獲得。一方、Claude Sonnet 4.6は指示劣化耐性において最高の安定性を記録
7モデルのWDCD守約スコアが集団下落、Claude Sonnet 4.6のみ8.6点逆上昇
WDCD v3.1テストにおいて、Claude Sonnet 4.6が前回比8.6点上昇した一方、7モデルが一斉に下落し、GLM-4.6は27点、Gemini 2.5 Proは23.8点の大幅下落を記録した。
安全コンプライアンス場面の最低スコアはわずか0.8点――5大制約でモデルの守約能力を原形に戻したのは何か
WDCD v3.1の5大制約テストにおいて、安全コンプライアンス場面が最も守約が困難な領域であることが判明した。gemini-2.5-proはわずか0.8/4点にとどまった一方、grok-4は4/4満点を獲得し、同一場面内の最大格差は3.2
11モデルWDCD三ラウンドアンカー評価：R3誠実率はわずか45.5%、Qwen3 MaxとClaude Sonnetの対決
8問のv2アンカー問題に基づく統計では、11の評価対象モデルのR1平均確認率が0.91に達した後、R2平均抵抗率は0.41まで低下し、R3平均誠実率はわずか45.5%にとどまった。R3での完全崩壊（0点）は計10回発生した。
Grok 4がWDCD守約ランキングで93.80点首位、GLM-4.6は68点で最下位——差は25.8点
WDCD v3.1守約テストにおいて、Grok 4が93.80点で首位、GLM-4.6が68.00点で最下位となり、両者の差は25.8点に達した。11モデルの評価結果には明確な断層が見られ、上位4モデルは83点超、下位3モデルは72点未満と
WDCD Run #311：Grok 4が93.2点でトップ、GLM-4.6は減衰耐性で新記録を樹立
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #311において、Grok 4が93.2点で最高スコアを獲得。GLM-4.6は-50%の減衰率で多ターン対話における指示遵守の耐性において最
Claude Sonnet 4.6が5点下落、DoubaoPro が7.5点上昇――WDCD v3.1守約テストが安定性の明暗を浮き彫りに
WDCD v3.1（Run #311）において、Claude Sonnet 4.6のスコアが前回比5点下落する一方、Doubao Proは7.5点上昇し、両者の逆方向の変動が今期唯一の顕著な変化となった。その他のモデルは概ね安定を維持してい
WDCD 5シナリオ横断評価：安全コンプライアンスの最低スコアは2.19点、glm-4.6が4シナリオで首位
WDCD v3.1の約束遵守テストにおける5大制約シナリオ・11モデルの横断評価では、安全コンプライアンスシナリオが全体で最低スコアの次元となり、Qwen3-maxはわずか2.19/4にとどまった。一方、glm-4.6は複数シナリオで首位を
R3誠実率わずか49.5%：11モデルWDCD三ラウンド遵約崩壊の実測結果
11のAIモデルを対象にWDCD（Will Do, Can Do）評価の8問v2アンカー問題でサンプリングを実施した結果、R1確認率は全モデル100%だったが、R3誠実率は平均49.5%にとどまり、29/319回の完全崩壊が確認された。二ラ
Grok 4がWDCD 93.21点でトップ、Qwen3 Maxは74.31点で最下位
WDCD v3.1テストでGrok 4が93.21点で11モデル中1位を獲得。Qwen3 Maxは74.31点で最下位となり、両者の差は18.9点に達した。
WDCD ラン #306：平均指示減衰率 -45.5%、Gemini 3.1 Pro が 97.7 ポイントでトップに
Winzheng が実施した WDCD ベンチマーク第306回では、11モデルを対象に多ターン対話における指示遵守の減衰を測定した結果、平均減衰率は -45.5% となり、Gemini 3.1 Pro が 97.7 ポイントで首位を獲得した