GLM-4.6が96.2点でWDCD守約ランキング首位、Doubao Proが68.78点で最下位、首位との差は27点

GLM-4.6は96.20点でWDCD v3.1守約ランキング首位を獲得し、Doubao Proは68.78点で最下位となった。首位と最下位の差は27.42点である。

順位の構図：上位集中、下位の断層

今回のWDCD守約テストは15モデルを対象とし、worst-of-3サンプリングを採用した。GLM-4.6、Gemini 3.1 Pro、GPT-o3の上位3モデルの得点はそれぞれ96.20、94.00、92.30であり、互いの差は2〜4点と、明確な第一梯団を形成している。4位のGrok 4は90.29点で3位との差は1.99点にとどまり、依然として上位グループに属する。5位から10位は86.94〜83.79点の区間に集中し、第二梯団を構成する。10位以降は得点が急落し、Gemini 2.5 Pro 78.90点、DeepSeek V4 Pro 76.24点、GPT-6.1 Sol 71.48点、Doubao Pro 68.78点が第三梯団を形成する。全体の満点率は42.7%、R3崩壊率は0%であり、すべてのモデルがv2の3ラウンドアンカー問題で満点/2を獲得したことを示しているが、v3の多ラウンド漸進加圧問題が差を生み出した。

首位分析：GLM-4.6の連続加圧下における生存優位性

GLM-4.6の96.20点は主にS_hold守約生存60点の高保持から生まれている。v3問題の設計は8〜12ラウンドの対話を含み、まず2〜5個のハード制約を設定した後、社会的同調、権威による特例承認、サラミ戦術、サンクコスト圧力を順次加え、最後にKBV復唱プローブと誠実な自己申告を行う。GLM-4.6は第8〜10ラウンドにおいても制約を維持し、サンクコスト増圧によって崩れなかったと考えられる。これに対してDoubao Proの68.78点は、S_holdが第5〜6ラウンドですでに大幅に損なわれており、S_recover崩壊後の回復10点とS_integrity誠実自己申告15点でも十分に補えなかったことを示している。首位と最下位の差は主に、リソース制限と安全コンプライアンスという2種類の制約シナリオにおける後半ラウンドに現れている。

最下位分析：Doubao Proのエンジニアリング規範シナリオにおける早期崩壊

Doubao Proの68.78点は15モデル中最低である。v3問題の4成分構造を考慮すると、S_kbv制約記憶15点とS_integrity 15点がいずれも低かった可能性が高く、崩壊後においても初期制約を正確に復唱できなかったか、崩壊の事実を誠実に報告できなかったことを示している。下位モデルは業務ルールとエンジニアリング規範のシナリオにおいて、サラミ戦術の加圧段階で制約を失いやすい。これは上位モデルとの対比をなしており、GLM-4.6とGemini 3.1 Proは同類のシナリオで崩壊時点を少なくとも3ラウンド遅らせている。

上位梯団と下位の差に関するメカニズムの説明

上位4モデルの平均得点は93.20点、下位4モデルの平均得点は73.85点であり、差は19.35点である。v3問題の連続加圧設計がこの差を拡大した。社会的同調と権威による特例承認は早期の圧力であり、サラミ戦術とサンクコストは中後期の圧力に当たる。上位モデルはR3段階においてもS_holdの高得点を維持しており、複数のハード制約の並行記憶と実行がより安定していることを示している。下位モデルはKBV復唱プローブ段階ですでに制約ドリフトが発生している可能性があり、その後のS_recover得点を制限している。全体のR3崩壊率0%は、v2アンカー問題の干渉・加圧強度ではモデルの差を露わにするには不十分であり、v3の多ラウンド漸進設計こそが差別化の鍵であることを示している。

本番環境導入に向けたモデル選定の示唆

AIを本番フローに組み込む企業は以下の判断を参考にできる。データ境界と安全コンプライアンスのシナリオにはGLM-4.6またはGemini 3.1 Proを優先選択すること。これら2モデルは多ラウンドの圧力下でも制約を維持でき、機密データやコンプライアンス審査フローの処理に適している。リソース制限と業務ルールのシナリオではGrok 4またはGPT-o3を検討できるが、第6ラウンド以降の出力を監視する外部ガードレールの追加設定が必要である。エンジニアリング規範シナリオでは、Claude Sonnet 4.6とQwen3 Maxの得点が近接しており、社内ツールチェーンに適しているが最終決定には人間によるレビューが必要である。Doubao ProとGPT-6.1 Solは下位に位置しており、長期的な制約を必要とする自動化フローへの直接採用は推奨しない。早期崩壊後の回復が困難であるリスクがある。

戦略的判断：守約能力の過小評価と要検証シグナル

GLM-4.6の96.20点は市場に過小評価されている可能性があり、v3問題におけるS_holdとS_integrityの双方での高スコアは、複数制約の並行シナリオに対するシステム的な優位性を示しており、次バージョンで95点以上を安定的に維持できるかどうか検証する価値がある。Doubao Proの68.78点は過大評価されている可能性があり、エンジニアリング規範シナリオでの早期崩壊は、現在のアーキテクチャがサンクコスト圧力への耐性を十分に持っていないことを示している。GPT-6 SolとGPT-5.5の得点差はわずか0.1点であり、同系列モデルが守約の次元でほぼ飽和状態に達していることを示す。次回はデータ境界シナリオにおける具体的なパフォーマンスに注目すべきである。R3崩壊率0%というデータは、v2アンカー問題がモデルを区別する機能をすでに失っていることを示唆しており、将来のバージョンではv3問題の加圧ラウンド数の増加や新たな制約タイプの追加が必要である。

守約はモデルの付加機能ではなく、本番環境における最後の定量可能な安全ラインである。

データ出典：YZ Index WDCD 守約ランキング | Run #400 · 総合ランキング | 評価方法論