WDCD v3.1：Claude Opus 4.7が8ポイント逆上昇、DoubaoProは10.1ポイント下落

今回のWDCD v3.1テストでは、Claude Opus 4.7のスコアが前回サイクルから8ポイント上昇し89.30点に達した一方、Doubao Proは10.1ポイント下落、GPT-5.5は5.6ポイント下落、GPT-o3は5.4ポイント下落、Qwen3 Maxは8.5ポイント下落、GLM-4.6は6.2ポイント下落した。GPT-6 Astraは5.3ポイント上昇、GPT-6.1 Solは5.7ポイント上昇し、3モデル上昇・5モデル下落という構図は、複数ラウンドにわたる圧力テスト下での約束遵守安定性に顕著な差異が生じていることを直接示している。

データファクト：Top5とスコア変動幅の比較

現在のTop5では、GPT-6 AstraのWDCD=90.50点が首位、Gemini 3.1 ProとGLM-4.6が89.97点で同率2位、Claude Opus 4.7とGPT-6 Solがともに89.30点となっている。Claude Opus 4.7の8ポイント上昇により、同モデルは中位圏から上位5位圏内に浮上した。一方、Doubao Proの10.1ポイント下落は今回最大の単回下落幅となった。GPT-6 AstraとGPT-6.1 Solの合計上昇幅は10.9ポイント、GPT-5.5とGPT-o3の合計下落幅は11ポイントと、同一シリーズ内でも明確な二極化が生じている。

原因分析：圧力ラウンドと制約シナリオのメカニズム

WDCD v3の設問は8〜12ラウンドの対話形式を採用し、まず2〜5個のハード制約を設定したうえで、社会的同調・権威による特別許可・サラミ戦術・サンクコストを段階的に適用して圧力をかけ、最後にKBV復唱プローブと最終ラウンドの誠実な振り返りを行う。Claude Opus 4.7の8ポイント上昇は、S_hold（約束遵守サバイバル60点項目）、すなわち第8〜12ラウンドの連続圧力下での防衛崩壊タイミングの遅延による改善が最も有力な要因と考えられる。一方、Doubao ProとQwen3 Maxの10.1ポイントおよび8.5ポイント下落は、安全コンプライアンスやエンジニアリング規範シナリオにおけるR3圧力段階に集中しており、S_recover（防衛崩壊からの回復10点）とS_integrity（誠実な自己申告15点）の両方が損なわれた可能性が高い。GLM-4.6の6.2ポイント下落とGPT-5.5の5.6ポイント下落は、データ境界とリソース制限シナリオにおけるKBV復唱プローブ段階で発生した可能性が高く、制約記憶S_kbv（15点項目）の低下が見られる。

ワースト・オブ・3サンプリング基準のもと、これらのモデルは3ラウンド中の最悪パフォーマンスによってスコア差が拡大しており、連続的な圧力に対するロバスト性に本質的な違いがあることを示している。v2アンカー問題の3ラウンド設計（R1：制約注入、R2：妨害、R3：圧力）もこれを裏付けており、スコアが上昇したモデルはR3段階での2点項目のスコアが高く、下落したモデルはR2妨害段階ですでに顕著な緩みが見られた。

モデル選定の意味：生産プロセス接続における実際のリスク

AIを生産プロセスに組み込む企業にとって、WDCDスコアは各制約シナリオでの利用可能性に直接対応する。GPT-6 Astraの90.50点とClaude Opus 4.7の89.30点は、安全コンプライアンスおよびビジネスルールシナリオにおいて直接利用可能であり、防衛崩壊の確率が低く、追加の多層ガードレールは不要であることを意味する。GLM-4.6は同率2位であるものの、今回6.2ポイント下落したため、エンジニアリング規範シナリオでは手動確認ノードの追加を推奨する。Doubao ProとQwen3 Maxはスコアが大幅に低下しており、リソース制限およびデータ境界シナリオでの直接開放は適さず、第3〜5ラウンドの圧力適用前に外部インターセプターを設定する必要がある。さもなければS_hold（約束遵守サバイバル点）が急速に失われる。

具体的な判断基準として、低リスクの社内ナレッジQ&Aシナリオでは89点以上のモデルはデフォルト信頼が可能だが、ユーザーデータや資金操作が関わる高リスクシナリオでは、Top5モデルであっても第8ラウンド以降は強制的に人間の引き継ぎまたは二次検証をトリガーすべきである。

戦略的判断：過大評価・過小評価のシグナル

今回のデータからは、GPT-5.5とGPT-o3の約束遵守能力が市場に過大評価されている可能性が分析される。それぞれ5.6ポイントと5.4ポイントの下落は、段階的な多ラウンド圧力下での回復能力不足を示しており、次サイクルではS_recoverとS_integrityの2項目を重点的に検証する必要がある。Claude Opus 4.7の8ポイント上昇は、これまで過小評価されていた可能性があり、連続圧力下でのS_holdパフォーマンスの改善は継続的なトラッキングに値する。GPT-6 AstraとGPT-6.1 Solの同時上昇は、同一ベースモデルの異なるポストトレーニングバージョンにおける制約記憶強化効果に再現可能なパスが存在することを示唆している。

次回検証すべきシグナルとして、GLM-4.6とGemini 3.1 Proは89.97点で同率だが後者の変動幅は未公表であり、GLM-4.6がさらに下落した場合、現在のランキングは再評価される可能性がある。全体的なトレンドとして、モデル更新が約束遵守スコアに与えるプラスの影響は特定シリーズにのみ現れており、大多数のモデルはv3.1問題プール下で純減を示している。

約束遵守能力の分化は偶然ではなく、真の複数ラウンド対抗テストにおけるモデルの生存レジリエンスが必然的に露わになった結果である。

データ出典：YZ Index WDCD 約束遵守ランキング | Run #411 · 変動追跡 | 評価方法論