Gemini 2.5 ProのWDCDスコアが22.2点急上昇、Claude Sonnet 4.6のみ13点下落
WDCD v3.1パイロットデータにおいて、Gemini 2.5 Proが22.2点の大幅上昇で最大の勝者となり、Gemini 3.1 Proが97.70点で首位を獲得した。一方、Claude Sonnet 4.6は唯一13点の下落を記録し
WDCD に関するニュース
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わずか2点、DeepSeek V4 Proは業務ルール4点・安全コンプライアンス2.5点で1.5点の偏差
WDCD v3.1パイロットデータによると、安全コンプライアンスシナリオにおける11モデルの平均スコアが最も低く、Qwen3-Maxはわずか2/4点、DeepSeek V4 Proは2.5/4点にとどまり、全シナリオ中で最も約束遵守が困難な
WDCD三ラウンドテスト：11モデルのR3誠実率はわずか72.7%、3モデルでR3が完全崩壊
WDCD v3.1パイロット段階において、11モデルのR3平均誠実率は72.7%に留まり、110回のテスト中3回のR3完全崩壊（0点）が発生した。GLM-4.6、DeepSeek V4 Pro、Qwen3 Maxの3モデルが安全コンプライア
WDCD守約ランキング：Gemini 3.1 Pro が97.7点でトップ、Qwen3 Maxが70.3点で最下位
WDCD v3.1の約束遵守テストにおいて、Gemini 3.1 Proが97.70点で11モデル中首位を獲得し、Qwen3 Maxが70.30点で最下位となった。両者の差は27.4点に達した。
WDCD Run #296：全11モデルで指示劣化ゼロ、Grok 4が96.3点でトップ
Winzhengの動的文脈劣化（WDCD）ベンチマークRun #296において、評価対象の全11モデルが多ターン対話での平均指示遵守劣化率0%を記録し、Grok 4が96.3点で首位に立った。
Claude Sonnet 4.6が13.5点急騰、Gemini 2.5 Proは12.5点急落——WDCD v3.1守約ランキングが大幅刷新
WDCD v3.1テスト（Run #296）において、Claude Sonnet 4.6が13.5点上昇して91.60点を記録した一方、Gemini 2.5 Proは12.5点急落。Grok 4が96.30点で首位を維持し、GPT-o3が9
WDCD五大シナリオ横断評価：安全コンプライアンスの最低スコアは1.5点、Qwen3-maxの得意・不得意の差は2.5点
WDCD v3.1テストにおいて、安全コンプライアンスシナリオは11モデルの平均スコアが他の4カテゴリを大きく下回り、Qwen3-maxはわずか1.5/4点を記録。一方、claude-sonnet-4.6、gpt-o3、grok-4の3モデ
11モデルのv2アンカー問題R3誠実率0%：WDCD守約テストが全面崩壊
8問のv2アンカー問題を対象としたテストにおいて、11の評価対象モデル全てでR1確認率・R2抵抗率・R3誠実率がすべて0%となり、3段階の漸進的プレッシャー下で約束を守れたモデルは皆無だった。
Grok 4がWDCDで96.3点首位、DoubaoProは67.9点で最下位――28点差の格差
WDCD v3.1守約（約束遵守）総合ランキングにおいて、Grok 4が96.30点で首位を獲得し、Doubao Proの67.90点と28.4点の大差をつけた。上位3モデルと下位3モデルの平均点差は約25点に達し、モデル間の能力格差が鮮明
WDCD Run #291：Grok 4が94点でトップ、マルチターン指示遵守の平均減衰率は-7.2%
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #291において、11モデルを対象にした評価でGrok 4が94点で首位を獲得。マルチターン対話における指示遵守の平均減衰率は-7.2%とな
4モデルのWDCDスコアが一斉上昇、下落ゼロ――Grok 4が94点でトップ維持
WDCD v3.1パイロット評価において、Doubao Pro・Gemini 2.5 Pro・GLM-4.6・Qwen3 Maxの4モデルがそれぞれ6点以上のスコア上昇を記録し、下落したモデルはゼロ。Grok 4は94.00点で首位を堅持し
業務ルール1.83点が最低、Grok-4の安全コンプライアンス3.86点——5大シナリオで最も約束を守れないのはどのモデルか
WDCD v3.1の5大制約シナリオ横断評価では、業務ルールシナリオで全体スコアが最低となり、Doubao-Proはわずか1.83/4と、Grok-4の満点4/4を大幅に下回った。安全コンプライアンスシナリオでも1.87/4という極めて低い
R3で26回崩壊、Grok 4はゼロ崩壊——WDCDの3ラウンド衰退の実際の軌跡
8問のv2アンカー問題を対象とした評価において、11モデルのR3平均誠実率はわずか51.3%にとどまり、26回の完全崩壊（0点）が第3ラウンドの加圧後における制約遵守の系統的な劣化を如実に示した。
Grok 4が94点でWDCD守約ランキング首位、Doubao Proは68点で最下位——26点差
WDCD v3.1守約テストにおいて、Grok 4が94.00点で第1位を獲得し、Doubao Proは68.17点で第11位に沈んだ。両モデルのR3施圧ラウンド得点はそれぞれ1.50/2と0.88/2であり、この差が総合スコアに直接25.
AIに無意味なルール違反を誘導しようとしたが、すべて失敗に終わった
4つの実際には無意味なルールを設定し、7ラウンドの対話でAIモデルにルール違反を誘導しようとしたが、いずれのモデルも一切違反しなかった。新たな行動ベースの評価システム「WDCD v4」の導入により、コードの実際の実行結果でコンプライアンスを
WDCD Run #285：11モデルの平均指示崩壊率54.5%、Grok 4がゼロドリフトでトップ
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #285では、11モデルを対象に多ターン対話における制約保持能力を評価した結果、平均コミットメント崩壊率が54.5%に達した。Grok 4が
WDCD v3.1サイクル：Gemini 2.5 Proが8.7点上昇、Doubao Proのみ7.3点下落
WDCD v3.1パイロットデータでは、Gemini 2.5 Pro、GPT-5.5、Claude Opus 4.7、GPT-o3の4モデルが上昇し、Doubao Proのみが7.3点下落するという「4上昇・1下落」の構図が明確となった。
安全コンプライアンスの最低スコアは1.15点——WDCDクロス評価が11モデルの2.85点差を暴露
WDCD v3.1の5大シナリオクロス評価において、安全コンプライアンスシナリオが全モデルの守約能力の最大の弱点となり、Qwen3-maxが最下位の1.15/4点、GPT-5.5がトップの4/4点を記録し、最大スコア差は2.85点に達した。
3ラウンドの圧力後にR3誠実率わずか22.7%――11モデルのWDCD守約崩壊記録
8問のv2アンカー問題に対する3ラウンドのテストで、11モデルのR3平均誠実率はわずか22.7%に留まり、7回の完全崩壊（0点）が発生した。初期確認率100%から大幅に低下したこの結果は、連続的な圧力下で大多数のモデルが制約を維持できないこ
Grok 4がWDCD守約ランキングで97.5点首位、Qwen3 Maxは69.5点で最下位——両者の差は28点
WDCD v3.1守約テストにおいて、Grok 4が97.50点で首位を獲得し、Qwen3 Maxは69.50点で11位（最下位）となった。両モデルの合計スコア差は28点に達する。