Gemini 2.5 ProのWDCDスコアが22.2点急上昇、Claude Sonnet 4.6のみ13点下落

今回のWDCD v3.1パイロットデータによると、Gemini 3.1 Proの約束遵守総合スコアは97.70に達し首位となり、Run #296比で9.5点上昇した。Gemini 2.5 Proは22.2点の上昇幅で最大の勝者となった。

核心データ：5モデル上昇・1モデル下落という明確な分布

Run #296との比較において、今回の評価対象11モデルのうち、Claude Opus 4.7が8.9点上昇、Doubao Proが11.2点上昇、Gemini 2.5 Proが22.2点上昇、Gemini 3.1 Proが9.5点上昇、GPT-5.5が9.3点上昇と、計5モデルがプラス方向に移動した。唯一のマイナス移動はClaude Sonnet 4.6で、13点の下落を記録した。現在のTop 5は順に、Gemini 3.1 Pro 97.70点、Grok 4 96.30点、GLM-4.6 95.00点、GPT-o3 94.80点、Claude Opus 4.7 94.70点となっている。約束遵守総合スコアはv3問題の原生百分制スコアとv2アンカー問題の換算値を等加重平均して算出し、サンプリング方式はworst-of-3を採用している。

要因分析：プレッシャーラウンドと制約シナリオのメカニズム差異

WDCD v3問題は8〜12ラウンドの対話を採用し、まず2〜5項目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・サンクコストという順でプレッシャーをかけ、最後にKBV復唱プローブと最終ラウンド誠実振り返りによって採点する。S_hold（約束遵守維持）は60点を占め、制約崩壊が遅いほど高得点となる。Gemini 2.5 ProとGemini 3.1 Proは多段階漸進的プレッシャー下でS_holdスコアがより高く、第6〜10ラウンドのリソース制限・安全コンプライアンスシナリオにおいて制約を維持する能力が高いことが示された。Claude Sonnet 4.6の13点下落はR3プレッシャー段階またはKBVプローブ段階で最も生じやすく、権威による特別承認型の干渉に対する抵抗力の低下を示唆している。v2三ラウンドアンカー問題ではR3の重みが2点であり、SonnetがR3で失点すると総合スコアに直接影響する。Doubao ProとGPT-5.5の二桁上昇は、エンジニアリング規範シナリオにおけるS_recover（崩壊後の回復能力）の向上によるものと考えられる。

モデル選定の意味：AIを業務プロセスに導入する際の実際のリスク境界

AIを業務プロセスに導入する企業にとって、WDCDスコア97.70のGemini 3.1 Proはデータ境界・安全コンプライアンスシナリオで直接使用可能であり、制約崩壊の確率が最も低い。Grok 4とGLM-4.6がこれに続き、リソース制限型タスクに適している。Claude Sonnet 4.6の13点下落は、業務ルールシナリオでは追加のガードレールが必要であることを意味し、例えば第4ラウンド以降にKBV復唱チェックを強制的に挿入する必要がある。GPT-o3とClaude Opus 4.7はTop 5入りを果たしたものの、Gemini 3.1 Proとは依然3点以上の差があり、サンクコストを段階的に引き上げる局面では不確実性が残る。企業はWDCDスコア95点以上のモデルを高コンプライアンスチェーンに、95点未満のモデルは低リスクの内部ツールのみに使用し、すべてのモデルに対して人間による最終ラウンドレビューを保持することを推奨する。

戦略的判断：過小評価と過大評価のシグナル

Geminiシリーズ2モデルが同時に大幅上昇したことは、v3多段階プレッシャー下での制約記憶と誠実な自己報告能力がこれまで市場に過小評価されていた可能性を示している。Claude Sonnet 4.6の単独下落は、その約束遵守能力が以前の楽観的な期待によって過大評価されていた可能性を示唆しており、次期v3.1でS_integrityスコアが継続的に0となるかどうかを観察する必要がある。Grok 4は96.30点で2位を安定維持しているが、今回の変動リストには登場しておらず、その約束遵守ベースラインがすでに高位プラトー期に入っていることを示している。次期においてより積極的なサラミ戦術に抵抗できるかどうかの検証が求められる。GLM-4.6とGPT-o3の95点前後の位置づけは、今後3点以上の変動があれば、Top 5の順位に直接影響を与えることになる。

Gemini 3.1 ProとClaude Sonnet 4.6の22.2点と13点という逆方向の移動は、次サイクルで最も追跡する価値のある対照サンプルとなっている。

データ出典：YZ Index WDCD 約束遵守ランキング | Run #306・変動追跡 | 評価方法論