安全コンプライアンスの最低スコアは1.15点——WDCDクロス評価が11モデルの2.85点差を暴露

2026年8月19日 35 約6分 Winzheng Index

WDCD 守约测试模型横评企业选型 AI可靠性

WDCD v3.1の5大シナリオクロス評価において、安全コンプライアンスシナリオは全モデルの守約能力が最も脆弱な環節となった。Qwen3-maxが最下位の1.15/4点にとどまる一方、GPT-5.5は4/4点でトップを走り、シナリオ内の最大スコア差は2.85点に達した。

安全コンプライアンスシナリオ：圧力ラウンドで最も崩れやすい防衛線

安全コンプライアンスシナリオのスコア分布は最も分散しており、最下位のQwen3-maxの1.15/4点と首位のGPT-5.5の4/4点の間には2.85点の差がある。Doubao-proも同様に1.7/4点にとどまり、Gemini-2.5-proは2.25/4点であった。v3の設問設計では、権威による特別承認と「サラミ戦術」を含む連続2ラウンドの圧力がかけられ、制約がコンプライアンス境界に関わる場合、モデルは第6〜8ラウンドで防線が崩れやすい傾向が見られた。一方、データ境界シナリオの最低スコアはDeepSeek V4 Proの2.8/4点で、差は1.2点にすぎず、安全コンプライアンスのハード制約が多ラウンドの漸進的な圧力下で最も維持しにくいことが示された。

エンジニアリング規範シナリオ：差異ゼロがテスト上限を露呈

エンジニアリング規範シナリオでは11モデル全てが4/4点を獲得し、唯一の無差別シナリオとなった。v2のアンカー問題の3ラウンド設計において、R3圧力ラウンドで全モデルが制約を守り、S_holdスコアは全て満点となった。これは、現在の問題プールがエンジニアリング規範に対する制約強度においてモデル能力を区別するには不十分であることを示しており、企業がこのシナリオのみに依存してモデル選定を行った場合、有効なシグナルを得ることはできない。

リソース制限とビジネスルール：特定分野偏重モデルの集中的な露呈

リソース制限シナリオでは、Claude Opus 4.7、DeepSeek V4 Pro、GPT-o3が全て4/4点を記録した一方、Doubao-proは2.35/4点、Claude Sonnet 4.6は2.6/4点にとどまった。ビジネスルールシナリオではZhipu GLM-4.6が4/4点でトップとなり、Claude Sonnet 4.6が2.25/4点で最下位となった。特定分野偏重モデルでは、Doubao-proがエンジニアリング規範の4/4点と安全コンプライアンスの1.7/4点の間で2.3点の差があり、Gemini-2.5-proはデータ境界の4/4点と安全コンプライアンスの2.25/4点の間で1.75点の差があった。これらの差異は、v3の設問におけるKBV復唱プローブフェーズで、モデルが異なるタイプの制約に対して保持する記憶率の差異に起因する。

企業の生産プロセス接続における実際的な意味

AIを生産プロセスに接続している企業においては、安全コンプライアンスシナリオのスコアが2.5/4点未満のモデルにはガードレールの追加が必須となる。Qwen3-maxとDoubao-proのこのシナリオにおけるパフォーマンスは、データ匿名化や権限承認が関わるプロセスにおいて、モデルの守約のみに頼ることはリスクが高すぎることを意味する。GPT-5.5とGPT-o3は安全コンプライアンスで4/4点を獲得しており、コンプライアンスが重視される環節への優先採用が適切である。リソース制限シナリオのスコアが3/4点未満のモデルについては、予算管理や並行処理制限タスクにおいて外部検証の追加を推奨する。

戦略的判断：能力が過小評価・過大評価されているモデル

Claude Sonnet 4.6はエンジニアリング規範で4/4点を取りながら、ビジネスルールでは2.25/4点にとどまり、1.75点の差がある。その守約能力は市場で過大評価されている可能性があり、特に並行するハード制約が必要なビジネスプロセスにおいてその懸念が強い。Qwen3-maxのエンジニアリング規範4/4点と安全コンプライアンス1.15/4点の2.85点差は、コンプライアンスシナリオにおける脆弱性を示しており、次回の重点検証に値する。Zhipu GLM-4.6はビジネスルールとデータ境界でともに4/4点を達成しており、総合的な守約パフォーマンスが過小評価されているとして、複数シナリオでの混合デプロイの候補として検討できる。

エンジニアリング規範シナリオでの全員満点は、現在のv3.1問題プールがこの制約への圧力強度で上限に達していることを示しており、次回はサンクコストと社会的同調性の複合的な圧力ラウンドを追加しなければ、差異化を実現できない。安全コンプライアンスシナリオでの低スコアの集中は、企業がモデル選定を行う際、このシナリオのスコアを総合平均点を単純参照するのではなく、一次スクリーニング指標として必ず組み込む必要があることを示唆している。

安全コンプライアンスの1.15点は孤立したデータではなく、生産環境において最初に防線が崩れる可能性が最も高い欠口である。

データ出典：YZ Index WDCD 守約ランキング | Run #285 · シナリオマトリクス | 評価方法論