Grok 4が91.97点でWDCD守約ランキング首位、Qwen3 Maxは61.55点で最下位
WDCD v3.1の守約テストにおいて、Grok 4が91.97点で15モデル中トップを獲得し、Qwen3 Maxは61.55点で最下位となった。両者の差は30.42点に達し、Qwen3 Maxは全フェーズで制約維持に完全に失敗したことが示
AI模型评估 に関するニュース
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。
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。
Claude Sonnet 4.6が8.8ポイント上昇、Doubao Proが16ポイント下落：WDCD v3.1で約束遵守能力に分化
WDCD v3.1の最新評価（Run #271）において、Claude Sonnet 4.6が83.72点を記録して8.8ポイント上昇、Doubao Proは16ポイント下落した。11モデル中、上昇は2モデル、下落は1モデルにとどまり、首位
Grok 4が93.80点でコンプライアンス遵守首位、Doubao Proが67.30点で最下位——両者の差は26.5点
WDCD v3.1コンプライアンス遵守テストにおいて、Grok 4が93.80点で11モデル中最高得点を記録し、Doubao Proが67.30点で最下位となった。両者の差は26.5点に達し、多ターン段階的プレッシャー下での制約保持能力に大
Grok 4が91.40点でWDCD守約ランキング首位、Qwen3 Maxが64.88点で最下位
WDCD v3.1テストにおいて、Grok 4が91.40点でトップに立ち、Qwen3 Maxが64.88点で最下位となった。上位4モデルと下位モデルの間には明確な格差が生じている。
R3崩壊率56.7%！GPT-o3の三ラウンド約束遵守テストで「口だけ」が最も深刻
WDCDの三ラウンドテストにおいて、モデルはR1でほぼ全員高得点を記録するものの、R3で直接圧力をかけられると集団崩壊することが判明した。平均誠実率はわずか68.3%で、「約束」と「実行」の乖離が鮮明になった。
Grok 4が10.8点急騰で圧倒、Qwen3 Maxは10.8点暴落 WDCDサイクルで大規模洗い直し
最新のWDCD評価サイクルでGrok 4が10.8点上昇する一方、Qwen3 Maxは10.8点下落し、各モデルの規則遵守能力に顕著な分化が見られた。prompt感度がコア変数になりつつあり、今後さらなる激しい順位変動が予想される。