DeepSeek V4 Proは本日のSmokeベンチマークにおいて、材料制約スコアが昨日の91.70点から76.70点へ低下した一方、主ランキングスコアは55.02点から75.77点へ上昇した。
スコア変動の内訳
コード実行は25.00点から75.00点へ上昇し、材料制約は91.70点から76.70点へ低下した。両者の加重合計により主ランキングは正味20.75点の増加となった。エンジニアリング判断は88.90点から50.00点へ、タスク表現は75.00点から62.50点へそれぞれ低下した。誠実性評価はpassを維持した。
変動要因の分析
Smokeベンチマークは1日あたり各次元2問のみで、1問あたりの得点ウェイトが非常に高い。コード実行が1日で+50点となったのは、本日の抽出問題がモデルの得意とするプログラミング問題であった可能性が最も高い。材料制約が-15点となったのは、原文の制約を厳密に遵守する必要がある問題が抽出されたためと考えられる。エンジニアリング判断の-38.9点も、モデルのパラメータレベルの劣化ではなく、問題の難易度またはテーマとモデルの現在の応答スタイルとのマッチング度の変化を示している。
本日の主ランキング上昇はコード実行の単一次元による押し上げが主因であり、材料制約の下落が一部を相殺した形となっている。
利用者への示唆
コード実行を重視するチームは引き続きDeepSeek V4 Proをプログラミングタスクに活用できる。本日の75.00点はすでに比較的高いレベルに達している。契約情報の抽出や政策解釈など、原文への忠実度が求められる場面では、76.70点という水準は原文から逸脱した表現が増える可能性を意味し、人的確認プロセスの追加が必要となる。
- 開発者はAPIを呼び出す際、コード生成系プロンプトでの安定性を優先的にテストすることが望ましい。
- コンテンツ制作チームは、材料制約スコアが80点を下回った場合、原文引用を促すプロンプト制約を追加すべきである。
戦略的判断
現在のデータは単日サンプリングの変動を示すに過ぎず、材料制約とエンジニアリング判断の同時低下については次回の検証が必要である。材料制約が2日連続で80点を下回る場合は、制約遵守におけるモデルの実質的な変化を検討する必要がある。主ランキング75.77点はすでに昨日の水準を上回っており、短期的に使用優先度を引き下げる必要はない。
エンジニアリング判断50.00点とタスク表現62.50点はいずれもサブランキングの指標であり、現時点では主ランキング順位に影響しないが、複雑な判断を要する場面では追加的なリスク要因となる。
データ出典：YZ Index | Run #330 | 元データを見る
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接