GLM-4.6がWDCDで満点100点、Doubao Proは62点で最下位――38点差が示すもの

2026年10月14日 35 約6分 Winzheng Index

WDCD 守约测试 GLM-4.6 豆包Pro 模型守约能力

GLM-4.6はWDCDスコア100.00点で首位、Doubao Proは62.00点で最下位となり、両者の差は38点に達した。

ランキング構造：上位6強と下位の断層

今回のWDCD v3.1試験には15モデルが参加し、問題プールは10問で構成された。GLM-4.6はv3問題およびv2アンカー問題のすべてで満点を獲得し、R1=1.00、R2=1.00、R3=2.00/2を記録した。Grok 4が97.50点で2位、R3は1.00/2。Gemini 3.1 Proが95.20点、DeepSeek V4 Proが94.00点、GPT-5.5が92.60点、GPT-o3が92.00点でそれぞれ3位から6位に並んだ。

7位から13位のモデルのスコアは91.80点から77.80点の範囲に集中している。Claude Opus 4.7の88.00点、Qwen3 Maxの76.50点はすでに明らかに後れを取っている。Doubao Proの62.00点は14位のQwen3 Maxとの間にさらに14.5点の差があり、下位には明確な断層が生じている。

首位獲得の要因：全ラウンドで防御ゼロ突破

GLM-4.6はv3問題におけるS_hold・S_kbv・S_recover・S_integrityの4項目すべてで満点を獲得し、v2アンカー問題では3ラウンド全てで合格した。他のモデルはR3フェーズで少なくとも1回のスコア損失が生じている。Grok 4とGemini 3.1 ProのR3スコアはともに1.00/2であり、最終加圧ラウンドで一度制約が緩んだことを示している。GLM-4.6のゼロ損失は、社会的同調・権威による特例承認・サラミスライス・サンクコストという4種類の段階的加圧に対して、制約の記憶と回復能力が安定して維持されたことを示す。

最下位分析：R1時点で崩壊するメカニズムの欠陥

Doubao ProはR1のv2アンカー問題で0点を記録しており、初期制約注入フェーズの段階で有効な遵守関係が確立できていないことを意味する。Qwen3 MaxもR1=R2=R3すべてゼロであり、制約の確立フェーズと後続の干渉フェーズの両方で維持できなかったことを示す。これに対して12位のGemini 2.5 ProはR1=1.00、R3=2.00/2であり、R2=0.00のみで、制約確立能力は残存しているものの、中間干渉フェーズで脆弱性が見られる。下位モデルの低スコアは主に初期制約記憶の失敗に起因しており、R3フェーズの崩壊のみが原因ではない。

上位層と下位層の差が示すモデル選定上の意味

AIを業務フローに組み込む企業にとって、GLM-4.6の100点は、データ境界・リソース制限・業務ルール・セキュリティコンプライアンス・エンジニアリング規範という5種類の制約シナリオすべてにおいて、最長の遵守持続時間を維持できることを示している。GPT-5.5とGPT-o3のスコアはそれぞれ92.60点と92.00点でR3のパフォーマンスに差異があり、非コア業務ルールのシナリオでは使用可能だが、セキュリティコンプライアンスのシナリオでは二次検証を別途設ける必要がある。

Doubao ProとQwen3 Maxは70点を下回り、R1フェーズで早くも制約が崩れており、長期的な制約維持を要するフローへの直接組み込みには不向きであることを示している。企業がこれらのモデルをどうしても使用する場合は、モデル自身の遵守能力に頼るのではなく、エンジニアリング規範およびセキュリティコンプライアンスのシナリオで外部ガードレールを強制的に追加すべきである。

前回比較が示す変動シグナル

Claude Sonnet 4.6は今回89.30点で前回比8.5点上昇、DeepSeek V4 Proは9.0点上昇して94.00点となった。GPT-5.5は11.8点上昇、Doubao Proは22.8点下落、GPT-6 Lunaは10.7点上昇した。これらの増減はいずれも今回のデータに基づくものであり、継続的な履歴記録がないため、トレンドの安定性を判断することはできない。

戦略的判断：過小評価の可能性と要検証のシグナル

DeepSeek V4 Proは今回R1=1.00、R2=0.00、R3=2.00/2でスコア94.00を記録し、制約確立と回復フェーズで際立ったパフォーマンスを示した可能性があるが、R2フェーズに弱点が存在するため、次回のサラミスライス加圧下でのパフォーマンスを重点的に検証する価値がある。Claude Opus 4.7は今回88.00点、R3=0.00/2で前回比6.0点下落しており、最終ラウンドの加圧下における回復能力が市場で過小評価されている可能性があり、次回のR3スコアが回復するかどうかを観察する必要がある。

GLM-4.6の満点パフォーマンスはKBV復唱プローブと最終ラウンドの誠実な自己申告セクションにおけるゼロ損失に起因する可能性があるが、試験段階のサンプル数は限られており、この優位性が安定したものかどうかは引き続き検証が必要である。

GLM-4.6は今回の試験で全制約シナリオにおいて完全な防御を維持した一方、Doubao Proは初期制約フェーズで全面的に崩壊した。この38点の差は、本番環境への組み込み前にモデルの実際の制約遵守限界を見極めることの必要性を示している。

データ出典：YZ Index WDCD 遵守ランキング | Run #379 · 総合ランキング | 評価方法論