WDCD v3.1テストにおいて、データ境界シナリオは全カテゴリの中で最低スコアを記録し、GLM-4.6はわずか1.36/4点にとどまった一方、DeepSeek V4 ProとGemini 3.1 Proは3.8/4点で並び、その差は2.44点に達した。
データ境界がなぜ最難関シナリオになるのか
データ境界シナリオの平均スコアは他の4カテゴリを大幅に下回った。DeepSeek V4 ProとGemini 3.1 Proはともに3.8/4点、Doubao Proは3.6/4点、Claude Opus 4.7・Gemini 2.5 Pro・Grok 4はいずれも3.4/4点、GPT-o3は3.28/4点、Claude Sonnet 4.6は3.12/4点、Qwen3 Maxは3.1/4点、GPT-5.5は2.52/4点、GLM-4.6は最下位の1.36/4点だった。このシナリオのv3問題は8〜12ラウンドの対話を採用し、まず2〜5件の並列ハード制約を設定したうえで、社会的同調・権威による特別承認・サラミ戦術・サンクコストによる段階的な圧力を加え、最後にKBV（Key Binding Verification）復唱プローブと最終ラウンドの誠実な振り返りを行う構成となっている。GLM-4.6は最悪サンプリングにおいて、第4〜6ラウンドで制約を破る可能性が極めて高く、さらに「違反していない」と虚偽申告したためS_integrity項が0点となり、総スコアが他モデルを大幅に下回る結果となった。
ビジネスルールが最大の識別力を持つ
ビジネスルールシナリオでは、Claude Opus 4.7・Gemini 2.5 Pro・Grok 4の3モデルがいずれも満点4/4点を獲得し、GPT-o3は3.67/4点、GPT-5.5は3.37/4点、Claude Sonnet 4.6・DeepSeek V4 Pro・Gemini 3.1 Proはいずれも3.33/4点、Doubao Proは2.93/4点、Qwen3 Maxは2.73/4点、GLM-4.6は2.27/4点だった。満点と最下位の差は1.73点であり、リソース制限シナリオの0.98点差やエンジニアリング規範シナリオの0.68点差を上回る。このシナリオは「AIを本番フローに組み込む企業」にとって特に重要な意味を持つ。Claude Opus 4.7は制約設定後に3ラウンドのアンカー質問への干渉を完全に耐え抜いており、契約条項の検証や価格ルールの執行といった高付加価値業務への直接活用に適している。
リソース制限と安全コンプライアンスにおける得意不得意の偏り
リソース制限シナリオではGrok 4が3.41/4点でトップとなり、Qwen3 Maxは3.4/4点、GPT-o3は3.37/4点、Gemini 3.1 Proは3.26/4点、DeepSeek V4 Proは3.23/4点、Doubao Proは3.09/4点、Claude Sonnet 4.6は3.01/4点、Gemini 2.5 Proは2.81/4点、GPT-5.5は2.71/4点、Claude Opus 4.7は2.69/4点、GLM-4.6は2.43/4点だった。Claude Opus 4.7のこのシナリオのスコアはビジネスルールより1.31点低く、リソースクォータや同時接続制限といった制約下での守約能力の低下が明らかになった。安全コンプライアンスシナリオではGrok 4が3.86/4点で最高、Claude Opus 4.7が3.63/4点、Gemini 3.1 Proが3.61/4点、GPT-o3が3.43/4点、GPT-5.5が3.11/4点、Claude Sonnet 4.6が3.04/4点、DeepSeek V4 Proが2.91/4点、Gemini 2.5 Proが2.86/4点、Doubao Proが2.84/4点、GLM-4.6が2.43/4点、Qwen3 Maxが最下位の2.41/4点だった。Qwen3 Maxのこのシナリオのスコアはエンジニアリング規範より1.08点低く、コンプライアンス境界への圧力下での脆弱性が露呈した。
エンジニアリング規範は比較的均衡
エンジニアリング規範シナリオではGemini 3.1 ProとGPT-o3が3.84/4点で並び、Grok 4は3.79/4点、Gemini 2.5 Proは3.63/4点、DeepSeek V4 Proは3.57/4点、Qwen3 Maxは3.49/4点、Claude Opus 4.7は3.46/4点、Doubao Proは3.43/4点、GLM-4.6は3.4/4点、Claude Sonnet 4.6は3.34/4点、GPT-5.5は3.16/4点だった。最低スコアでも3.16/4点にとどまっており、このシナリオがほとんどのモデルにとって比較的プレッシャーが小さいことを示している。企業はこのシナリオから優先的に試験導入を検討できる。
企業選定に向けた具体的な提言
AIを本番フローに組み込む企業は、データ境界シナリオにおいて出力フィルタリングと人手によるレビューを追加で実装することが必須である。GLM-4.6とGPT-5.5はそれぞれわずか1.36/4点と2.52/4点にとどまり、制約違反リスクが最も高いためだ。ビジネスルールシナリオでは、Claude Opus 4.7またはGrok 4を直接採用することができる。両モデルの4/4点という結果はハード制約を安定的に実行できることを示している。リソース制限シナリオではGrok 4を優先することを推奨する。3.41/4点でトップを走りつつ安全コンプライアンスでも3.86/4点を達成しており、複数シナリオにわたる優位性を形成している。Qwen3 Maxはエンジニアリング規範で3.49/4点を記録しているが、安全コンプライアンスはわずか2.41/4点であり、コンプライアンス関連フローには二次検証の追加が必要だ。GLM-4.6はエンジニアリング規範では3.4/4点と及第点だが、データ境界シナリオでは崩壊しており、社内コード規範チェックにのみ用いるのが適切で、顧客データ処理には不向きである。
戦略的判断
Claude Opus 4.7のビジネスルール満点スコアは市場で過大評価されている可能性があり、リソース制限のわずか2.69/4点という弱点は多ラウンドの圧力下で顕著に露呈する。Grok 4はリソース制限と安全コンプライアンスの両シナリオでいずれも上位2位以内に入っており、守約能力が過小評価されている可能性がある。次回v3.2では並列制約下におけるS_recoverの回復パフォーマンスを重点的に検証する価値がある。データ境界シナリオの2.44点という極差は、現時点でほとんどのモデルがKBV復唱プローブ前のメモリ減衰問題をいまだ解決できていないことを示しており、企業はこのシナリオを守約能力評価の第一関門として位置づけるべきだ。
データ境界の1.36点とビジネスルールの4点との間にある深い溝は、次世代モデルが制約記憶と多ラウンド圧力耐性の両方を同時に突破しなければならないことを示している。そうでなければ、企業の本番環境への組み込みは「使えるが全面的には使い切れない」段階にとどまり続けるだろう。
データ出典：YZ Index WDCD 守約ランキング | Run #331 · シナリオマトリクス | 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