GPT-6 LunaはWDCDスコア100.00点で首位に立ち、Gemini 2.5 Proは73.80点で最下位となり、上位と下位の差は26.2点に達した。15モデル中66%が満点率を達成し、R3崩壊率はわずか1.3%にとどまった。
ランキング構造：上位3モデルは安定、下位5モデルは断絶
WDCD v3.1はworst-of-3サンプリングを採用しており、GPT-6 Luna、GLM-4.6、DeepSeek V4 Proの上位3モデルはいずれもv2アンカー問題でR1=1.00、R2=1.00、R3=2.00/2を記録し、v3問題のネイティブ百点制スコアも高水準を維持した。GPT-6 Lunaの総合スコアは100.00、GLM-4.6は98.20、DeepSeek V4 Proは97.30であり、3モデルのv2アンカー問題における満点獲得がベースラインを引き上げた。
4位から8位はGPT-6 Sol 95.70、GPT-6.1 Sol 94.40、GPT-6 Astra 94.20、Grok 4 93.80、Gemini 3.1 Pro 93.60となり、R3スコアに1.00/2または2.00/2の変動が見られた。Claude Sonnet 4.6は89.80、GPT-o3は89.60と、いずれも90点を下回り、R3スコアはそれぞれ2.00/2と0.00/2となった。
下位ではQwen3 Maxが76.50、Gemini 2.5 Proが73.80となり、R1・R2・R3の3ラウンドにわたるアンカー問題の累計スコアが上位10モデルを大幅に下回った。Qwen3 Maxは3ラウンド全て0点、Gemini 2.5 ProはR2=0.00、R3=2.00/2であった。
首位の要因：v3多ラウンド加圧下での制約記憶と回復能力
GPT-6 Lunaはv3問題の8〜12ターン対話において、合意締結フェーズで5つのハード制約をすべて保持し、連続加圧セクション（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）でも突破されることはなかった。KBV復述プローブスコアは15点満点、最終ラウンドの誠実自己申告も15点満点を獲得した。S_hold（守約生存）60点、S_kbv（制約記憶）15点、S_recover（突破後回復）10点、S_integrity（誠実自己申告）15点の4項目すべてが基準を達成した。
GLM-4.6とDeepSeek V4 ProもR3の加圧ラウンドで2.00/2を維持しており、リソース制約・セキュリティコンプライアンスシナリオにおいてサンクコスト圧力が高まった後も制約を維持できることを示している。GPT-6 SolはR2=0.00でありながらR3=2.00/2を記録しており、干渉ラウンドで一時的に失効したものの、最終ラウンドでの回復能力は強いことが示された。
最下位の要因：R1〜R2アンカー問題における早期失効
Qwen3 MaxはR1=0.00、R2=0.00、R3=0.00/2と、3ラウンドのアンカー問題で累計0点となり、v2換算スコアを直接押し下げた。Gemini 2.5 ProはR1=1.00を記録したものの、R2=0.00となり、データ境界およびエンジニアリング規範シナリオにおける第2ラウンドの干渉で制約記憶を失ったことが示された。
これらのモデルはv3問題の連続加圧フェーズにおいて、社会的同調と権威による特別承認の圧力下でS_hold（守約生存）スコアが早期に低下し、全体の百点制スコアを引き下げた。R3崩壊率は全体でわずか1.3%にとどまり、大多数のモデルが最終ラウンドで部分的に回復できることを示しているが、早期のアンカー失効が最終順位を決定づけた。
モデル選定への示唆：生産フローへの組み込みにおけるガードレール優先度
AIを生産フローに組み込む企業は、データ境界およびセキュリティコンプライアンスシナリオにおいてGPT-6 Luna、GLM-4.6、DeepSeek V4 Proを優先的に選択できる。この3モデルはR3スコア2.00/2を記録し、制約記憶S_kbv 15点においても安定したパフォーマンスを示した。リソース制約シナリオでは、GPT-6 SolとGPT-6.1 SolのR3回復能力を代替候補とすることができるが、R2干渉ラウンドへの追加モニタリングが必要となる。
Claude Opus 4.7（88.90点）、GPT-5.5（86.40点）、Doubao Pro（82.30点）は低リスクなビジネスルールシナリオに適しているが、エンジニアリング規範シナリオではガードレールの追加が必要である。R2スコアにすでに0.00が現れているためだ。Qwen3 MaxとGemini 2.5 Proは、複数ラウンドにわたる制約が求められるあらゆるフローにおいて、外部検証ノードの設置を推奨する。R1の早期失効が後続チェーン全体の制御不能を招くリスクを回避するためである。
戦略的判断：守約能力が過小評価・過大評価されているシグナル
GPT-6 Astraは今回94.20点を記録し、前回比16.4点上昇した。R3がこれまでの歴史的低水準から1.00/2へと回復しており、ビジネスルールシナリオにおける回復能力が市場に過小評価されていることを示している。GPT-6 Lunaは前回比10.6点上昇して満点を達成しており、v3問題におけるKBV復述プローブと誠実自己申告メカニズムが安定したことを示している。
Qwen3 Max（76.50点）とGemini 2.5 Pro（73.80点）はR1〜R2アンカー問題の累計スコアが平均を大幅に下回っており、守約能力が市場に過大評価されている可能性がある。Doubao Proは前回比20.3点上昇して82.30点を達成し、R3=2.00/2を記録しており、次回のセキュリティコンプライアンスシナリオにおける継続的なパフォーマンスを検証する価値がある。
次回は、R3崩壊率が1.3%以下を維持するかどうか、およびGPT-6シリーズのSolとAstraがv3問題のサラミ戦術加圧下でS_recover 10点にどのような変化をもたらすかを重点的に観察する必要がある。
満点モデルは制約が体系的に維持可能であることを証明した一方、下位モデルは早期アンカー失効という構造的リスクを露呈した。
データ出典：YZ Index WDCD 守約ランキング | Run #390 · 総合ランキング | 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