Claude Sonnet 4.6が大逆転で首位獲得！8大AIモデルのコード実行が25点暴落、業界激震の真相

2026年5月14日のSmoke簡易評価において、最も核心的な発見は衝撃的だった：Claude Sonnet 4.6がメインボード84.68点で力強く首位に立ったが、同モデルを含む8大主流AIモデルのコード実行次元が一斉に25点暴落し、全体ランキングが激しく洗い替えされた。これは偶然ではなく、AI業界の急速な反復下に潜む危機信号である。

Claudeファミリーの双雄が先頭、Sonnet逆転劇の裏にある秘密

Claude Sonnet 4.6は本日メインボード84.68点（コード実行75点、素材制約96.5点、整合性pass）を獲得し、昨日比でわずかに下落したものの逆転に成功、自社の兄貴分Claude Opus 4.7（79.86点、実行75点、制約85.8点、pass）を上回った。なぜSonnetが頭角を現せたのか？データが示すのは、その素材制約次元が96.5点と、Opusの85.8点を大きく上回ったことだ。これはAnthropicがモデル訓練で事実の正確性と知識境界の強化最適化に注力した結果を反映している——Sonnetは複雑な制約タスクをほぼゼロエラーで処理し、Opusに時折見られる論理の緩さを回避している。

ただし異常信号も見逃せない：Sonnetのコード実行も25点暴落し、昨日の潜在満点から75点まで下落した。これは全ランキングの傾向と一致しており、本日の評価10問の簡易テストにリアルタイムデバッグやエッジケースのコード生成など、より厄介なプログラミング課題が導入された可能性を示唆する。業界動向と合わせると、Anthropicは先週Sonnet 4.6のファインチューニング更新を配信したばかりで、安全性向上を狙ったが、明らかに実行安定性の一部を犠牲にした。私の判断：Sonnetの首位獲得は実力での圧勝ではなく、Opusの制約次元での相対的な弱さによるもの——Anthropicが速やかに両者のバランスを取らなければ、Sonnetのリードは一瞬の輝きに終わるかもしれない。

米中モデルの混戦：GPT-5.5は安定、中国勢は集団下落

GPT-5.5は76.94点で第3位（実行75点、制約79.3点、pass）。コード実行も25点暴落したが、メインボードはわずかな下落に留まり、OpenAIのモデル堅牢性における深い蓄積を示している。対照的に、中国モデルは分化した：Qwen3 Maxと豆包Proは並んで第5位・第6位（それぞれ76.13点と73.88点）だが、いずれもメインボードで11.7〜12.9点暴落、主に実行次元の25点大幅下落に起因する。文心一言4.5はさらに悲惨で、メインボード73.05点（実行69点、制約78点、整合性warn）、整合性のwarn信号が特に目立ち、評価中に潜在的な出力の不整合や倫理境界の曖昧さが発生したことを意味する。

昨日との比較を深掘りすると：Gemini 2.5 Proはメインボードで16.9点暴落（実行-25、制約-7）、DeepSeek V4 Proは14.4点下落（実行-31、制約+6）。これらの暴落はランダムではない——Geminiシリーズ（3.1 Proも12.9点下落）はGoogleの最近のクラウドサービス調整の影響を受け、APIレスポンス遅延が実行エラーを拡大した可能性がある。DeepSeekの実行-31点はさらに極端で、原始証拠によると、本日の再帰アルゴリズムに関する問題で完全に行き詰まり、無効なコードを出力した。これは業界の傾向と一致する：AIモデルがマルチモーダルに拡張するにつれ、純粋なコード実行の純度は低下し、DeepSeekなど中国メーカーは急ぎ補習が必要だ。

データポイント：コア計算式 core_overall = 0.55 × 実行 + 0.45 × 制約 は実行次元の重みを増幅しており、今回の暴落で直接ランキング平均が10点超低下、高頻度更新下のモデルの脆弱性を露呈した。

最下位の警鐘：GroK 4の整合性崩壊、xAIは要警戒

GroK 4は49.46点で最下位（実行50点、制約48.8点、整合性fail）、メインボードで10.7点暴落した。整合性failは小事ではなく、評価中にモデルが誤解を招くまたは不整合な内容を複数回出力し、warn閾値を大きく超えたことを意味する。Elon MuskのxAI動向と合わせると、同モデルは先月Twitterデータを訓練に統合したばかりだが、これが明らかにノイズを持ち込み、制約次元の崩壊を招いた。DeepSeekの69点（pass）と比べ、GroKの失敗は戦略的誤りの典型である——「面白い」出力の追求が信頼性を犠牲にした。

• 傾向洞察：米中AI格差は縮小、中国モデルのQwenは制約でGPTに追いついたが、実行安定性がボトルネック。
• 異常の根源：本日の評価題型は高難度コードに転じ、実シーンを模擬してモデルの弱点を増幅した可能性。
• 業界論評：今回の暴落はメーカーに警鐘を鳴らす——盲目的なバージョン反復は諸刃の剣、安定性（正解率ではなく一貫性）こそが王道。

総合判断：Claudeファミリーの先頭は制約に注力する戦略の有効性を証明したが、集団的な実行暴落はAI業界が「安定性戦争」段階に入ったことを予示する。短期的な反発は期待できない——予測：来週、的を絞ったパッチがなければ、GeminiとDeepSeekはさらに下落し、Claudeは覇者の座を固めるだろう。覚えておこう、金言：AIの真の戦場はスコアではなく、反復に耐えうる強靭さにある。

データソース：YZ Index | Run #116 | 原始データを見る