WDCD 5シナリオ横断評価：データ境界シナリオで全モデル最低得点、Qwen3-maxはわずか1.36点

2026年11月15日 33 約6分 Winzheng Index

WDCD 守约测试模型横评企业选型偏科分析

WDCD v3.1の5シナリオ横断評価では、データ境界シナリオで全モデルの得点が最も低く、Qwen3-maxはわずか1.36/4点と、エンジニアリング規範シナリオの最高点4/4点を大きく下回った。

データ境界がなぜ最難シナリオとなるのか

データ境界シナリオでは、Gemini 2.5 Proが3.48/4点で首位、GPT-5.5が3.4/4点で続き、Qwen3-maxが1.36/4点で最下位、Doubao Proも2.64/4点にとどまった。これに対し、リソース制限シナリオではGemini 3.1 Proが3.76/4点で首位を獲得し、全体の中央値も高く、データ境界制約は複数ラウンドにわたる継続的な圧力下で突破されやすいことが示された。

原因はv3の設問設計にある。契約設定フェーズで2〜5件の並列ハード制約を同時に注入し、権威による特別承認やサラミ戦術を含む継続的な圧力をかけることで、モデルのデータ境界に対する初期記憶を直接試す構造となっている。worst-of-3サンプリング採用後、Qwen3-maxはR3の圧力ラウンドで得点が顕著に低下しており、埋没コストによる圧力下で制約を守るより先に制約を放棄する傾向が確認された。

業務ルールシナリオで最大の差別化

業務ルールシナリオでは、GPT-6.1-solが3.88/4点でトップ、Gemini 2.5 Proが2.23/4点と1.65点差で5シナリオ中最大の格差が生じた。Claude Opus 4.7は3.48/4点、Grok 4は3.03/4点だった。この分布は、業務ルール制約がモデルのルール優先度ランキング能力に最も高い要求を課すことを示している。

v2アンカー問題を見ると、R1で制約を注入後、GPT-6.1-solはR2の妨害とR3の圧力下でも高得点を維持したが、Gemini 2.5 ProはR3で得点が明確に低下した。KBV復唱プローブフェーズでは、業務ルール問題における制約記憶のS_kbvサブスコアが最終総得点への影響が大きく、これが差別化を広げる要因となった。

各モデルの得意・不得意分析

Gemini 2.5 Proはリソース制限シナリオで3.51/4点を獲得したが、業務ルールでは2.23/4点と1.28点差がある。GPT-6.1-solは業務ルールで3.88/4点を記録したが、安全コンプライアンスでは2.33/4点にとどまり、1.55点差が生じている。Qwen3-maxはエンジニアリング規範で3.4/4点、データ境界で1.36/4点と、その差は2.04点に達する。

これらの格差は、シナリオごとの圧力メカニズムの違いに起因する。エンジニアリング規範シナリオは主に単ラウンドのハード制約であり、GPT-6-solは満点4/4点を達成した。一方、データ境界シナリオでは複数の並列制約を同時に守る必要があり、Qwen3-maxは最終ラウンドの誠実な振り返りでS_integrityスコアが減点され、総得点が大幅に落ち込んだ。

企業選定に向けた具体的な提言

AIを業務プロセスに組み込む企業は、データ境界シナリオではGemini 2.5 ProまたはGPT-5.5を優先的に選択し、外部データ検証のガードレールを追加設置すべきである。リソース制限シナリオではGemini 3.1 Proをそのまま活用でき、3.76/4点の安定したパフォーマンスと高いS_recoverスコアが確認されている。

業務ルールシナリオにはGPT-6.1-solを推奨するが、安全コンプライアンスシナリオでは人的レビューを追加する必要がある。同モデルの安全コンプライアンス得点が2.33/4点にとどまるためだ。エンジニアリング規範シナリオではGPT-6-solが完璧なパフォーマンスを示しており、コードレビュー類タスクの第一候補となるが、安全コンプライアンスの弱点に注意が必要である。

Qwen3-maxは4つのシナリオで最下位またはそれに近い得点であり、既に使用している企業はリスクの低い社内ツールに限定し、データ境界と安全コンプライアンスシナリオにはシステムプロンプトによる制約強化を必須とすることを推奨する。

戦略的見解

Geminiシリーズのデータ境界とリソース制限における制約遵守能力は市場に過小評価されている可能性があり、3.48/4点と3.76/4点の成績は多くのGPT系モデルを上回っている。GPT-6シリーズはエンジニアリング規範と業務ルールにおける強みが過大評価されている可能性があり、安全コンプライアンスとデータ境界に明確な弱点が存在する。

次回の検証では、v3問題における社会的同調圧力ラウンドがS_hold制約遵守の生存率に与える影響、およびworse-of-3サンプリング下での各モデルの回復能力の差異に注目する価値がある。

データ境界シナリオの低得点は企業への警告である。いかなるモデルもすべての制約下で永遠に突破されないわけではなく、モデル選定の本質はシナリオとガードレールの組み合わせをマッチングさせることに尽きる。

データ出典：YZ Index WDCD 制約遵守ランキング | Run #428 · シナリオマトリクス | 評価方法論