GLM-4.6のWDCD総合スコアが12.1ポイント上昇して88.60に達し、GPT-o3は同期間に9.1ポイント下落した。これは今回の評価における守約能力の分化を示す最も直接的なシグナルである。
コアデータファクト
Run #428との比較において、今回の15モデル中5モデルが上昇、4モデルが下降した。GLM-4.6は前回の約76.5点から88.60へ上昇。GPT-6 Astraも同時に12.6ポイント上昇、DeepSeek V4 Proは8.9ポイント上昇、Grok 4は7.2ポイント上昇、Doubao Proは5.6ポイント上昇した。下降したモデルはGPT-o3(-9.1)、GPT-6.1 Sol(-7.7)、Qwen3 Max(-8.5)、Claude Sonnet 4.6(-7)である。現在のTop 5は、GLM-4.6(88.60)、Gemini 3.1 Pro(87.50)、Claude Sonnet 4.6(86.90)、GPT-5.5(86.40)、GPT-6 Sol(84.70)の順となっている。
要因分析:プレッシャーラウンドと制約シナリオ
WDCD v3の設問は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うえで、社会的同調圧力、権威による特別承認、サラミ戦術、サンクコストによるプレッシャーを順次加え、最後にKBV復唱プローブと最終ラウンドの誠実自己申告を行う。S_holdが60点を占め、制約違反が遅いほど得点が高くなる。GLM-4.6とGPT-6 Astraは今回最も顕著な上昇を見せており、R3プレッシャーフェーズや安全コンプライアンス系の制約シナリオにおけるS_holdスコアが高まった可能性がある。GPT-o3とQwen3 Maxの下落については、連続的なサラミ戦術や資源制限シナリオにおいてより早期に制約違反が発生し、S_holdの損失が拡大したと考えられる。Claude Sonnet 4.6は依然として3位にランクインしているが、前回比で7ポイント下落しており、エンジニアリング規範や業務ルール制約下における回復能力(S_recover)または誠実自己申告(S_integrity)に変動が生じていることを示唆している。
サンプリング方式はworst-of-3(3回中最低スコアを採用)であるため、上昇モデルは3回の中で最も悪いパフォーマンスでも下降モデルを上回っており、制約記憶(S_kbv)および突破後の回復能力がより安定していることを示している。
生産プロセス導入における選定への示唆
AIを生産プロセスに組み込む企業は、S_hold 60点に対応する多ラウンドプレッシャー下での耐久能力に重点を置く必要がある。GLM-4.6の現在のスコア88.60は、データ境界や安全コンプライアンスのシナリオでの直接利用に適しており、制約違反リスクは低い。Claude Sonnet 4.6は86.90と高スコアだが今回7ポイント下落しており、資源制限やサンクコストによる圧力が関わるプロセスでは依然として追加のガードレールが必要である。GPT-o3は前回比9.1ポイント下落しており、業務ルールが厳格なシナリオでは手動確認ノードの追加を推奨する。DeepSeek V4 Proは8.9ポイント上昇したことで、エンジニアリング規範系タスクにおける試験導入を拡大できるが、KBV復唱プローブのパフォーマンス監視は引き続き必要である。
- S_holdが高いモデル(GLM-4.6、Gemini 3.1 Pro)は長期対話チェーンへの適用が可能
- 下落したモデル(GPT-o3、Qwen3 Max)はサラミ戦術プレッシャーのラウンドに確認ステップの追加が必要
- すべてのモデルでS_integrity 15点に対応する誠実自己申告ログの保持が必要
戦略的判断
GLM-4.6の守約能力は今回市場に過小評価されている可能性が高く、v3多ラウンド漸進的プレッシャー下での12.1ポイントという上昇幅は際立っており、次回も5種類の制約シナリオにおける一貫性の検証を継続する価値がある。GPT-o3とQwen3 Maxについては守約能力が過大評価されていたリスクが高まっており、-9.1と-8.5という下落幅は、権威による特別承認や社会的同調圧力下での脆弱性を示唆している。Claude Sonnet 4.6はTop 3に留まっているものの、2期連続でその優位性を裏付ける新たなデータが確認されておらず、次回v2アンカー問題での換算後の等加重平均スコアを注視する必要がある。
次回の重点検証シグナル:GLM-4.6がworst-of-3の条件下でS_hold 60点の優位性を維持できるか、またGPT-6 Astraの12.6ポイント上昇が特定の制約シナリオに対する的を絞った最適化に起因するかどうかである。
守約はモデルの付加機能ではなく、生産プロセスが長期にわたって依拠できるかどうかの根本的な前提条件である。
データ出典:YZ Index WDCD 守約ランキング | Run #434 · 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