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 | 94.8 | 1 | 1 | 1.5 | -50% |
| 2 | DeepSeek V4 Pro | 93.6 | 1 | 1 | 1.5 | -50% |
| 3 | GLM-4.6 | 93.5 | 1 | 1 | 1 | 0% |
| 4 | Claude Opus 4.7 | 92.6 | 1 | 1 | 1.5 | -50% |
| 5 | Claude Sonnet 4.6 | 88.2 | 1 | 0.5 | 1 | 0% |
| 6 | GPT-o3 | 85.7 | 1 | 1 | 0.5 | 50% |
| 7 | Gemini 3.1 Pro | 81 | 1 | 1 | 1 | 0% |
| 8 | GPT-5.5 | 73.9 | 1 | 0.5 | 0 | 100% |
| 9 | Gemini 2.5 Pro | 67.4 | 1 | 0.5 | 1.5 | -50% |
| 10 | Qwen3 Max | 66.7 | 1 | 1 | 0 | 100% |
| 11 | 豆包 Pro | 64.2 | 0.5 | 1 | 0.5 | 0% |
衰減曲線（トップ5）
Grok 4
DeepSeek V4 Pro
GLM-4.6
Claude Opus 4.7
Claude Sonnet 4.6
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 | 3.5 | 4 | 3.5 | 4 | 4 |
| DeepSeek V4 Pro | 3.5 | 3.2 | 4 | 4 | 4 |
| GLM-4.6 | 3 | 4 | 4 | 3.7 | 4 |
| Claude Opus 4.7 | 3.5 | 4 | 3 | 4 | 4 |
| Claude Sonnet 4.6 | 3 | 3.8 | 3.4 | 4 | 3.5 |
| GPT-o3 | 3.5 | 4 | 2.7 | 4 | 3 |
| Gemini 3.1 Pro | 2.9 | 4 | 2.8 | 2.8 | 3.9 |
| GPT-5.5 | 2.3 | 3.3 | 3.5 | 3.3 | 2.5 |
| Gemini 2.5 Pro | 2.5 | 4 | 1 | 3.2 | 2.8 |
| Qwen3 Max | 3 | 3.3 | 2.5 | 2.8 | 1.8 |
| 豆包 Pro | 1.5 | 3.9 | 3.3 | 2.6 | 1.6 |