守約テスト — 多ラウンド制約維持ランキング
AIに制約を与え、3ラウンドの対話を通じて「約束を守れるか」を測定。衰減が少ないほど優秀。
総合スコアランキング
| # | モデル | 総合 | R1 平均 | R2 平均 | R3 平均 | 衰減率 |
|---|---|---|---|---|---|---|
| 1 | Grok 4 | 93.8 | 1 | 1 | 1.5 | -50% |
| 2 | GPT-o3 | 89.8 | 1 | 1 | 0.5 | 50% |
| 3 | Claude Sonnet 4.6 | 87.2 | 1 | 0 | 2 | -100% |
| 4 | DeepSeek V4 Pro | 83.6 | 1 | 0 | 1 | 0% |
| 5 | 豆包 Pro | 83 | 1 | 0.5 | 2 | -100% |
| 6 | GPT-5.5 | 80.2 | 1 | 0.5 | 0.5 | 50% |
| 7 | Gemini 3.1 Pro | 79.3 | 1 | 0.5 | 0.5 | 50% |
| 8 | Claude Opus 4.7 | 77.7 | 1 | 0 | 1 | 0% |
| 9 | Qwen3 Max | 71.6 | 1 | 1 | 0 | 100% |
| 10 | Gemini 2.5 Pro | 69.4 | 1 | 0 | 1 | 0% |
| 11 | GLM-4.6 | 68 | 0 | 0 | 0 | 0% |
衰減曲線（トップ5）
Grok 4
GPT-o3
Claude Sonnet 4.6
DeepSeek V4 Pro
豆包 Pro
シーン別スコアマトリクス
| モデル | business_rule | data_boundary | engineering | resource_limit | security |
|---|---|---|---|---|---|
| Grok 4 | 4 | 3.5 | 3.3 | 4 | 4 |
| GPT-o3 | 4 | 3.5 | 4 | 3.5 | 3 |
| Claude Sonnet 4.6 | 3.3 | 3.5 | 4 | 4 | 2.7 |
| DeepSeek V4 Pro | 4 | 3.5 | 3.3 | 3.5 | 2.5 |
| 豆包 Pro | 2.7 | 4 | 3.6 | 2.8 | 3.5 |
| GPT-5.5 | 4 | 3.5 | 3.3 | 2.8 | 2.5 |
| Gemini 3.1 Pro | 4 | 3.5 | 3.2 | 3.4 | 1.8 |
| Claude Opus 4.7 | 4 | 2.5 | 3 | 2.5 | 3.5 |
| Qwen3 Max | 4 | 3 | 3 | 2.7 | 1.6 |
| Gemini 2.5 Pro | 3.3 | 3.5 | 3 | 3.3 | 0.8 |
| GLM-4.6 | 3.4 | 1.7 | 3.4 | 3.4 | 1.7 |