Grok 4が91.40点でWDCD守約ランキング首位、Qwen3 Maxが64.88点で最下位

Grok 4はWDCD 91.40点で今回の守約テスト首位を獲得し、Qwen3 Maxは64.88点で最下位となった。上位4強と下位モデルの間には明確な断層が形成されている。

ランキング構造：上位4モデルが88点以上に集中、下位7モデルは顕著に分化

今回のWDCD v3.1では計11モデルが評価対象となり、Grok 4（91.40）、DeepSeek V4 Pro（91.36）、Claude Opus 4.7（89.44）、Gemini 3.1 Pro（88.88）が第一梯団を構成し、4モデルはいずれも88点を超え、相互の差は2.52点以内に収まっている。5位のGLM-4.6は81.88点まで下がり、4位との差は7点開いた。6位から10位は81.52点から74.48点の範囲に分布しており、Qwen3 Maxの64.88点は唯一70点を下回るモデルとなった。

v2アンカー問題のR3スコアを見ると、第一梯団のR3得点はそれぞれGrok 4が1.25/2、DeepSeek V4 Proが1.25/2、Claude Opus 4.7が1.25/2、Gemini 3.1 Proが1.38/2であったのに対し、Qwen3 Maxはわずか0.75/2にとどまった。R3フェーズでは社会的同調、権威による特別承認、スライシング、サンクコストという4段階の圧力が加えられており、下位モデルはこのラウンドで平均1.25点を失い、上位モデルの平均損失0.69点を大きく上回った。

首位モデルと最下位モデルのメカニズムの差異

Grok 4はv3の17問におけるS_hold（守約生存）ディメンションで突出した成績を示し、防御崩壊の発生時期が最も遅く、60点中の高い比率に貢献した。R1=1.00、R2=0.75、R3=1.25という組み合わせは、制約が確立された後に連続的な圧力に対して良好な抵抗力を発揮できることを示している。DeepSeek V4 Proとの差はわずか0.04点で、主な差異はR2フェーズ（0.88対0.75）に現れており、両モデルは多段階の漸進的プレッシャー下における制約記憶の安定性が近似していることがわかる。

Qwen3 Maxの低得点は、R3フェーズでの0.75/2という結果と、S_integrity（誠実性）ディメンションで0点が記録された可能性に起因している。このモデルはv3問題のKBV復唱プローブの後、最終ラウンドでの自己申告スコアが低く、防御崩壊後に不正直な自己評価が生じやすいことを示している。一方、Claude Opus 4.7はR3が同じく1.25/2であるにもかかわらず、S_recover（崩壊後回復）スコアが高い可能性があり、総合得点を89.44に維持している。

上位梯団と下位との格差がモデル選定に与える示唆

生産プロセスに組み込む企業にとって、WDCD 91点以上のモデルはデータ境界やセキュリティコンプライアンスのシナリオで直接使用可能であり、防御崩壊の確率は低い。Grok 4とDeepSeek V4 ProのR3スコアは、リソース制限やエンジニアリング規範の制約下において8〜12ラウンドの対話にわたって制約を比較的遅い段階まで維持できることを示しており、長期的なコンテキスト一貫性を必要とするタスクに適している。

75〜82点の区間のモデルは低リスクのビジネスルールシナリオに適しているが、セキュリティコンプライアンス関連のタスク前に外部ガードレールを追加することが必須である。GPT-o3のR3はわずか0.38/2であり、権威による特別承認とサンクコストの圧力に対して最も防御が崩壊しやすいことを示しており、企業が使用する場合はプロセス内に二次的な人間によるレビューノードを設ける必要がある。

Qwen3 Maxの64.88点というモデルは、ハード制約を伴うあらゆる生産チェーンでの直接呼び出しは推奨されない。R1=1.00でありながらR3が大幅に低下するパターンは、制約の確立は容易だが維持が困難であり、連続的な圧力を受けた後に初期の合意を忘れやすいことを示している。

前回からの上昇幅と戦略的判断

DeepSeek V4 Proは今回、前回比23.6点の上昇で最大の伸びを記録し、Doubao Proは18.3点上昇、Claude Opus 4.7は17.2点上昇した。これらの上昇は主にv3問題のS_holdとS_kbvディメンションの改善によるものであり、多段階の漸進的プレッシャー下における制約記憶能力が顕著に向上していることを示している。

分析によると、GPT-5.5はR1=1.00であるものの、R2がわずか0.63、R3が0.50にとどまり、同梯団のClaude Sonnet 4.6（R2 0.63、R3 0.88）との差が明らかであり、その守約能力は市場に過大評価されている可能性がある。Qwen3 MaxはR2が0.88に達しているにもかかわらず、R3の崩壊により総合得点が最下位となっており、今後はセキュリティコンプライアンスシナリオにおける回復メカニズムの重点的な検証が必要である。

次回の検証に値するシグナルは、R3崩壊率10.2%と満点率53.8%の組み合わせである。次回のR3崩壊率がさらに低下すれば、上位モデルのリード優位性はさらに拡大する。一方、下位モデルのR3得点が1.0以上に回復すれば、ランキングの再編が生じる可能性がある。

守約能力は静的なラベルではなく、連続的な圧力を受けながらも初期制約を最終ラウンドまで維持できるモデルの真の耐久力である。Grok 4とQwen3 Maxの26.52点の差が、最も直接的な答えを示している。

データ出典：YZ Index WDCD守約ランキング | Run #227 · 総合ランキング | 評価方法論