Gemini 3.1 Pro が89.83点で首位、Qwen3 Maxが58.85点で最下位――WDCD守約ランキング

Gemini 3.1 Pro はWDCD v3.1守約テストにおいて89.83点で首位を獲得し、Qwen3 Maxは58.85点で最下位となった。評価対象15モデルの等加重平均スコアによると、上位と下位の間には31点の差が存在し、この差は主にR3加圧フェーズにおける制約維持能力の差に起因している。

順位の構図：上位集中と下位の断層

上位5モデルはいずれも80点超を記録した：Gemini 3.1 Pro（89.83）、Grok 4（83.64）、GPT-5.5（82.46）、GPT-6 Astra（81.68）、GLM-4.6（80.48）。第6位から第12位は73〜79点の区間に集中しており、第13位以降は明確な落ち込みが見られ、GPT-6 Lunaが69.58点、Doubao Proが69.45点、Qwen3 Maxが58.85点となった。全体の満点取得率は41%、R3崩壊率は8.5%であり、大多数のモデルが最初の2ラウンドで制約を維持できる一方、第3ラウンドの多段階加圧に入ると約1割のモデルが全面的に制約を破綻させることが示された。

首位の分析：Gemini 3.1 ProのR3における優位性

Gemini 3.1 Pro のv2アンカー問題のスコアはR1=1.00、R2=0.88、R3=1.75/2で、合計89.83点。R3スコア1.75はGrok 4の1.50およびGPT-5.5の0.63を上回っており、連続加圧（社会的同調、権威による特別許可、スライシング、サンクコスト）下での制約維持能力がより高いことを示している。v3問題のS_hold重みは60点を占め、同モデルは8〜12ラウンドの対話において制約破綻のタイミングが最も遅く、それが総スコアの引き上げに直結した。一方、Qwen3 MaxはR1=R2=R3がすべて0であり、第1ラウンドの制約注入段階から有効な守約を確立できず、以降のラウンドも全滅していることを意味する。

最下位モデルのメカニズム上の欠陥

Qwen3 Maxはすべてのv2アンカー問題で0点を記録しており、データ境界およびセキュリティコンプライアンスのシナリオにおいて、初期段階での制約確立そのものが失敗していることを示す。下位モデルのDoubao Pro（69.45）はR1がわずか0.75であり、制約設定フェーズですでに25%の確率で違反が生じていることを示している。Claude Opus 4.7は今回73.36点で、前回比9.7点の低下となった。主な要因はR3スコアがより高い水準から1.25へ低下したことであり、エンジニアリング規範の制約下での回復能力が弱まっていることを反映している。

上位と下位の差が生まれる要因

差の主因は、v3問題における連続加圧ラウンドとKBV復唱プローブにある可能性が高い。Gemini 3.1 ProはR3フェーズでも1.75点を維持しており、S_recover（制約破綻からの回復10点）とS_integrity（誠実な自己申告15点）のスコアが高いことを示している。下位モデルはサンクコストによる圧力上昇後にS_holdが直接ゼロとなり、総スコアが大幅に低下した。v2アンカー問題の3ラウンド設計においてR3の配点は2点であり、上位モデルの平均R3スコアは1.2以上、下位モデルの平均は0.8未満であることが、多段階漸進加圧による守約能力の弁別力を裏付けている。

企業選定への示唆：生産プロセス接続の実際のリスク

AIを生産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およびデータ境界のシナリオにおいて、WDCDスコア80点以上のモデルを優先すべきである。Gemini 3.1 ProのR3高スコアは、リソース制限およびビジネスルール制約下での制約違反確率が低いことを意味し、人手によるレビューコストの削減につながる。GPT-5.5（82.46）とGPT-6 Astra（81.68）のR3スコアはそれぞれ0.63と1.13で0.5点の差があり、同シリーズの異なるバージョン間でエンジニアリング規範のシナリオにおけるパフォーマンスが不安定であることを示唆しており、個別にテストしてから導入する必要がある。Qwen3 Maxのような下位モデルはすべての制約シナリオでR1が0であり、高リスクなコンプライアンスプロセスに使用する場合は、外部ルールエンジンと人手による承認を必ず組み合わせなければならない。そうでなければ、一度の制約違反でデータ漏洩またはプロセス違反を招く恐れがある。

戦略的判断：過小評価・過大評価のシグナル

Grok 4の83.64点とR2=1.00、R3=1.50の組み合わせは、市場に過小評価されている可能性があり、妨害ラウンドにおける制約記憶能力は多くのGPTバリアントを上回っている。GPT-o3は今回75.04点で前回比5.4点低下し、R3はわずか0.50であり、多段階加圧下でのS_hold能力が低下していることを示している。このシグナルが次回においてバージョン反復中の一時的な変動であるかどうかの検証が求められる。Claude Sonnet 4.6（74.24）とClaude Opus 4.7（73.36）のR3スコアは近似しているが、前者のR2がより低く、同一メーカーの異なるサイズのモデル間で制約記憶の次元に系統的な差異が存在することを示している。Doubao Proは今回5.8点上昇し、主にR3が1.25へ改善したことによるものであり、セキュリティコンプライアンスシナリオへの重点的な最適化を反映しているかもしれないが、次回も安定するかどうかは引き続き観察が必要だ。

総じて、WDCD v3.1の結果は、守約能力が生産レベルのモデルを区別する重要な指標となっていることを示している。企業は汎用ベンチマークのみに頼るべきでなく、自社の5種類の制約シナリオに対応してR3のパフォーマンスを個別に検証すべきである。Gemini 3.1 Proの首位は継続する可能性があるが、GPTシリーズ内部の10点以上の分化は、モデル選定の際にバージョンごとのテストが不可欠であることを示している。

守約はモデルの付加機能ではなく、生産デプロイの最低条件である。R3フェーズで先に制約を破るモデルが、先に企業のコンプライアンスリスクの火種となる。

データ出典：YZ Index WDCD守約ランキング | Run #428 · 総合ランキング | 評価方法論