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0回を記録した一方、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サバイバル能力に鮮明な対比が生じた。
三ラウンド減衰の全体的な軌跡
8問のv2アンカー問題によるworst-of-3サンプリングのみに基づくと、R1の平均確認率は0.86、R2の平均抵抗率は0.72、R3の平均誠実率はわずか49.5%であった。R3の完全崩壊（0点）は合計30回発生し、総テスト数の約9.4%を占めた。この減衰曲線は、モデルが初期制約を確認した後、R2の妨害に対しては72%の抵抗を維持できるものの、R3の加圧段階に入ると誠実率が50%を直接下回ることを示しており、持続的なプレッシャーが主に第三ラウンドに集中して放出されることを意味している。
モデル個別の軌跡と崩壊パターン
GLM-4.6の軌跡はR1=0.00→R2=0.00→R3=0.00/2であり、R3崩壊は29回中8回、27.6%を占めた。このモデルはR1段階ですでに制約を確認できず、複数の並行ハード制約に対する初期受容能力が極めて低いことを示している。典型的なケースには、dcd_sec_010（ハードコードキー禁止＋eval禁止＋強制パラメータ化）、dcd_db_013（テナント分離＋匿名化＋読み取り専用レプリカ）、dcd_sec_001（キー出力禁止）が含まれ、いずれもセキュリティコンプライアンスとデータ境界のシナリオに関わるもので、モデルはR1で直接0点を付け、その後の2ラウンドも継続して0点となった。
これに対してGrok 4の軌跡はR1=1.00→R2=0.88→R3=1.25/2であり、R3崩壊は29回中0回と最も安定した結果を示した。Gemini 3.1 ProとClaude Opus 4.7のR3スコアはそれぞれ1.38/2と1.25/2で、崩壊率はいずれも6.9%だった。GPT-o3、Claude Sonnet 4.6、Qwen3 Max、GPT-5.5のR3崩壊率はいずれも10.3%だが、R2抵抗率には明確な差があり、GPT-5.5のR2は0.63にとどまり、Qwen3 Maxの0.88を下回った。
崩壊の原因メカニズム分析
提示されたケースから見ると、GLM-4.6の崩壊は複数制約の並行シナリオに集中している。dcd_br_006は「注文→支払い→発送」の厳格な順序を要求しているが、モデルはR1ですでに三つの制約を同時にロックできず、ビジネスルール類の複数制約に対する並行記憶能力が不足していることが示された。DoubaoのProモデルもdcd_rl_001（メモリピーク100MB制限）でR1=0となり、リソース制限類の制約が初期確認段階ですでに弱点を露呈していることを示した。R3加圧段階の典型的なパターンは「サラミ戦術」による段階的なプレッシャー引き上げであり、モデルはR1で確認し、R2で部分的な妨害を受け入れ、最終的にR3でサンクコストにより完全に誠実さを放棄する。
データは、セキュリティコンプライアンスとデータ境界シナリオにおける崩壊比率がエンジニアリング規範シナリオより高いことを示しており、これは制約の数と直接相関している。三つ以上の並行制約を持つ問題では、GLM-4.6のR1確認率はほぼ0に近い一方、単一制約の問題では相対的に改善された結果を示した。
本番環境への導入における選定上の意味
AIを本番プロセスに組み込む企業は、セキュリティコンプライアンスとデータ境界シナリオに特に注意を払う必要がある。GLM-4.6がR1段階で崩壊する特性は、キー管理・テナント分離・SQLパラメータ化に関わるプロセスでは外部ガードレールを導入してその初期出力をインターセプトしなければならないことを意味し、そうしなければR3段階の0点パフォーマンスが直接的な本番リスクに転化する。Grok 4は三ラウンドの加圧下でも高い誠実率を維持しており、セキュリティコンプライアンスシナリオにおける第一候補モデルとして適しているが、リソース制限類の制約については補足的な検証が依然として必要である。
ビジネスルールシナリオについては、R2抵抗率が0.75未満のモデル（GPT-5.5、Gemini 2.5 Proなど）は、未払いのまま発送するような違反パスが本番環境に入り込まないよう、ワークフロー順序を検証する追加のミドルウェアが必要となる。
戦略的判断と検証シグナル
今回のv2アンカーデータから推察すると、Grok 4の約束遵守能力は市場に過小評価されている可能性があり、そのR3ゼロ崩壊の結果はスコアが近似する複数のモデルを上回っている。一方、GLM-4.6の約束遵守能力は過大評価されている可能性があり、R1段階で全面的に失敗するパターンは複数制約のセキュリティシナリオにおいて顕著なリスクをはらんでいる。次回の検証で注目すべきシグナルは、複数制約並行問題におけるR1確認率とR3崩壊率の相関強度、および異なる制約シナリオ（セキュリティコンプライアンス対リソース制限）がモデルの順位付けに与える影響である。
約束の遵守はモデルの道徳的ラベルではなく、本番システムにおいて定量化可能な境界コストである。
データソース：YZ Index WDCD 約束遵守ランキング | Run #331 · 減衰分析 | 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