WDCD 5シナリオ横断評価：データ境界シナリオが最低1.7点で最下位、安全コンプライアンスが最大の弱点に
WDCD v3.1パイロット評価において、データ境界シナリオで最低点1.7点（Qwen3-max）、安全コンプライアンスシナリオで1.8点（Doubao Pro）が記録され、この2シナリオが全モデルにおいて最も得点が低く、かつ識別力が最も高
守约测试 に関するニュース
WDCD三輪アンカーテスト：R3誠実率わずか73.3%、Qwen3 Max はR1から0点
8問のv2アンカー問題を対象にworst-of-3サンプリングを実施した結果、15モデルのR3平均誠実率は73.3%にとどまり、Qwen3 MaxはR1から0点、Claude Opus 4.7もR2で崩壊するなど、複数制約シナリオにおける深
GLM-4.6がWDCDで満点100点、Doubao Proは62点で最下位――38点差が示すもの
GLM-4.6がWDCD v3.1試験で満点100点を獲得して首位に立つ一方、Doubao Proは62点で最下位となり、両者の38点差はAIモデルの制約維持能力における深刻な格差を浮き彫りにした。
Qwen3 MaxのWDCDスコアが21.9点急落——6モデルが下降、Doubao Proのみ9.5点上昇
最新のWDCD v3.1テスト（Run #365）では、Qwen3 Maxが前回比21.9点下落するなど6モデルがスコアを落とした一方、Doubao Proのみが9.5点の上昇を記録した。多段階の制約遵守テストにおけるモデル間の信頼性格差が
WDCD横断評価：安全コンプライアンス最低1.1点、15モデルの場面別偏差が最大2.9点差
WDCD v3.1の5大シナリオ横断評価において、安全コンプライアンス場面が15モデルの契約遵守能力の最低点となり、Qwen3-maxはわずか1.1/4点にとどまった。モデルによって場面ごとのスコア差が最大2.9点に達する「得意・苦手」の偏
15モデル中R3完全崩壊はわずか1回——Qwen3 MaxはR3崩壊率10% WDCD v2アンカー問題の三段階衰減の真相
v2アンカー問題8問のサンプリング条件下で15モデルの約束遵守スコアを分析した結果、R1確認率100%・R2抵抗率60%・R3誠実率76.7%という明確な三段階衰減パターンが確認された。150回のworst-of-3サンプリング中、R3完全
WDCD守約ランキング：GLM-4.6が95.2点でトップ、Qwen3 Maxが65.6点で最下位
WDCD v3.1の守約テストにおいて、GLM-4.6が95.20点で最高スコアを記録した一方、Qwen3 Maxは65.60点で15モデル中最下位となり、両者の差は29.6点に達した。
GLM-4.6が26点急騰、GPT-5.5も10.5点上昇——WDCD遵約格局に急変
WDCD v3.1パイロット版のRun #360において、GLM-4.6が26点上昇して87.55を記録し総合3位に浮上。GPT-5.5も10.5点上昇し、遵約能力評価の勢力図に大きな変化が生じた。
WDCD 5大シナリオ横断評価：業務ルールが最低2.13点、GPT-6シリーズは偏り差1.84点
WDCD v3.1の5大シナリオテストで、業務ルールシナリオが全モデル中最低スコア領域となり、Doubao-proはわずか2.13/4点にとどまった。一方、GPT-6シリーズは工学規範で満点を記録しながらデータ境界では著しく低スコアとなる偏
3ラウンドの圧力後に誠実率48.5%：Grok 4は崩壊ゼロ、GPT-o3の崩壊率は20.7%
v2アンカー問題8問のみを対象としたサンプリングにおいて、15モデルの第3ラウンド平均誠実率はわずか48.5%にとどまり、制約の遵守が3回目の圧力後にシステム的に崩れることが明らかになった。Grok 4が崩壊ゼロという優れた結果を示す一方、
Grok 4が95.69点でWDCD首位、Qwen3 Maxは73.48点で最下位——両者の差は22点超
WDCD v3.1守約テストにおいて、Grok 4が95.69点でトップに立ち、Qwen3 Maxが73.48点で最下位となった。両者の差は22.21点に達し、上位モデルと下位モデルの間に明確な断層が生じている。
Qwen3 Maxが20.2ポイント急上昇、GLM-4.6が僅差で続く――WDCD5モデルが全線上昇
WDCD v3.1テストにおいて、Qwen3 Maxが20.2ポイント、GLM-4.6が19.9ポイントと大幅に上昇し、評価対象11モデルのうち5モデルが上昇、下降ゼロという結果となった。Grok 4は引き続き満点100.00を維持し、守約
WDCD 5シナリオ横断評価：エンジニアリング規範が最低2.45点、DoubaoとClaudeの得意・不得意の差は1.45点
WDCD v3.1の5大制約シナリオ横断評価において、エンジニアリング規範シナリオで全モデルの得点が最低となり、Doubao-proは11モデル中最低の2.45/4を記録した。安全コンプライアンスシナリオでは最大1.2点の差が生じ、モデルご
11モデルのWDCD v2アンカー問題でR1確認率0%――約束遵守は初回から完全崩壊
8問のv2アンカー問題に基づくサンプリング条件において、評価対象11モデル全てのR1段階における平均確認率が0%となり、ハード制約の初回注入時点で約束遵守の基盤が完全に機能しないことが示された。
Grok 4が満点でWDCDランキング首位、Doubao Proは75.3点で最下位――スコア差は24.7点
WDCD v3.1の約束遵守テストにおいて、Grok 4が100点満点を獲得した唯一のモデルとなり、Doubao Proは75.30点で11位に留まり、両者のスコア差は24.7点に達した。
4モデルがWDCDで一斉下落、Gemini 2.5 Proは16.7ポイント急落
WDCD v3.1パイロットテストにおいて、Gemini 2.5 Proが前回Run #331比で16.7ポイント下落し、評価対象4モデル中最大の下落幅を記録した。DeepSeek V4 Pro、GPT-5.5、Qwen3 Maxも下落し、
データ境界が契約遵守の最大盲点に——11モデルの最低スコア差は2.7点
WDCD v3.1の5大制約シナリオテストにおいて、データ境界シナリオの平均スコアが最も低く、Qwen3-maxはわずか1.3/4にとどまった。一方、業務ルールシナリオでは6モデルが満点4/4を獲得しており、モデルによってシナリオ間のスコア
WDCD三ラウンドアンカーテスト：R3誠実率63.6%、GPT-o3は確認後に崩壊
11モデルを対象とした3ラウンド連続施圧テストでは、R3（第3ラウンド）の平均誠実率が63.6%にとどまり、GPT-o3はR1・R2で満点に近いスコアを示しながらR3で完全崩壊するという典型的なパターンを示した。Grok 4やDoubao
Grok 4がWDCD守約ランキングで93.60点首位、Qwen3 Maxは67.30点で最下位
WDCD v3.1守約テストにおいて、Grok 4が93.60点で11モデル中首位を獲得し、Qwen3 Maxが67.30点で最下位となった。上位と下位の差は26.3点に達した。
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。