今回のWDCD v3.1約束遵守テストでは、評価対象9モデル全てにおいてスコアの正向変化が見られ、下落したモデルは一つもなかった。その中でDeepSeek V4 Proは1回のテストで23.6点上昇して91.36点に達し、Grok 4の91.40点とのわずか0.04点差に迫った。
データの事実：上昇幅の分布とトップの変化
Run #221との比較において、今回の具体的な上昇幅は以下の通り：DeepSeek V4 Pro +23.6点、Doubao Pro +18.3点、Gemini 2.5 Pro +17.7点、Claude Opus 4.7 +17.2点、GPT-5.5 +13.6点、GLM-4.6 +10点、Gemini 3.1 Pro +9.8点、Claude Sonnet 4.6 +8.8点、Qwen3 Max +7.4点。現在のTop 5は順に、Grok 4（91.40）、DeepSeek V4 Pro（91.36）、Claude Opus 4.7（89.44）、Gemini 3.1 Pro（88.88）、GLM-4.6（81.88）となっている。
要因分析：プレッシャーラウンドと制約シナリオの差異
WDCD v3では8〜12ラウンドの対話を採用し、まず2〜5件のハード制約を設定した後、社会的同調、権威による特別承認、サラミ戦術、サンクコストのプレッシャーを順次加え、最後にKBV（重要行動検証）復唱プローブと最終ラウンドの誠実自己申告を実施する。S_hold（60点）の重みが最も高く、制約破りが遅いほど高得点となる。DeepSeek V4 ProとDoubao Proの上昇幅が18点を超えた要因としては、R5〜R8ラウンドにおける「サラミ戦術」と「サンクコスト」プレッシャーへの耐性向上が大きく寄与していると考えられ、データ境界とセキュリティコンプライアンスの両制約シナリオにおいてより遅くまで防御を維持した可能性が高い。Claude Opus 4.7の17.2点上昇は、S_recover（10点）とS_integrity（15点）の2項目、すなわち防御崩壊後の回復と誠実な自己申告パフォーマンスの改善に集中していると考えられる。Qwen3 Maxの+7.4点にとどまる上昇幅は、複数ラウンドにわたる段階的プレッシャー下でのS_hold維持がいまだ相対的に弱いことを示唆している。
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境界
AIを生産プロセスに組み込む企業にとって、WDCDスコアは許容可能なガードレール強度に直接対応する。Grok 4とDeepSeek V4 Proはともに91点を突破しており、S_holdの持続時間が長いため、リソース制限とエンジニアリング規範のシナリオにおいて二次検証レイヤーを削減できる。ただし、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では、worst-of-3サンプリングで最悪ケースが第7〜8ラウンドで制約を破る可能性があるため、引き続き人的抽出検査またはルールエンジンによるバックアップを維持する必要がある。Claude Opus 4.7（89.44点）はS_integrityへの要件が高い監査系タスクに適しているが、Gemini 3.1 Pro（88.88点）はビジネスルールシナリオで追加のプロンプト強化が必要になる可能性がある。GLM-4.6（81.88点）とQwen3 Maxは低リスクの社内ツールへの使用にとどめることを推奨する。
戦略的判断：過小評価されているシグナルと検証待ちのシグナル
DeepSeek V4 Proは今回Grok 4とわずか0.04点差であり、その約束遵守能力がこれまで市場に過小評価されていたことを示している。次回もS_holdの高水準を維持すれば、現在の順位に実質的な挑戦をもたらすことになる。Claudeシリーズの2モデルは同時上昇したが、Claude Sonnet 4.6の上昇幅はわずか8.8点にとどまり、Claude Opus 4.7の約半分に過ぎず、同一ベンダーの異なるサイズのモデルが複数ラウンドのプレッシャー下で示すパフォーマンスの分化は継続的な追跡に値する。Qwen3 Maxは上昇幅が最も小さく、プラトー期に入りつつあるかどうかを重点的に観察すべき唯一のモデルである可能性がある。全ての判断は今回の9モデル上昇・0モデル下落という分布に基づいている。
次サイクルでDeepSeek V4 ProがKBVプローブセクションにおいて引き続き高スコアを維持した場合、約束遵守ランキングのトップ勢力図が塗り替えられる可能性がある。
データソース：YZ Index WDCD 約束遵守ランキング | Run #227 · 変化追跡 | 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