Claude Opus 4.7が90.51点でトップ：2026-07-09 Smokeクイックテストデータ速報

2026-07-09 YZ Index Smoke クイックテストは10モデルを対象とし、Claude Opus 4.7 が90.51点で当日首位となりました。Smokeは毎日10問のクイックテストであり、短期シグナルの観察に適しており、Full週間ランキングの結論とは同等ではありません。

今回のSmokeテストはコード実行と資料制約の2つのメインランキング次元のみをカバーしており、メインランキングの計算式は 0.55 × コード実行 + 0.45 × 資料制約 です。1日あたりのサンプル数が少ないため、単日スコアはモデル能力の長期的な評価としてではなく、モニタリングシグナルとして活用することが適切です。

当日ランキング

データ解説

本日のSmokeクイックテストにおいて、Claude Opus 4.7 はメインランキング90.51で首位となり、コード実行91.5と資料制約89.3がバランスよく組み合わさっています。Gemini 3.1 Pro はメインランキング89.16、コード実行同じく91.5・資料制約86.3で、資料制約面が首位をわずかに下回っています。DeepSeek V4 Pro はメインランキング88.13、コード実行91.5・資料制約84で、構造は上位2モデルと近似しています。Grok 4 はメインランキング87.66、コード実行94.5と高い一方で資料制約79.3と、コード強・資料弱の明確な対比を示しています。

Gemini 3.1 Pro はメインランキング+28.2点・コード実行+33.2点・資料制約+22点、Gemini 2.5 Pro はメインランキング+24.3点・コード実行+34.3点、豆包 Pro はメインランキング+12.8点・資料制約+18.5点と、上昇幅はコード実行と資料制約の同期的または偏重した改善に集中しています。Qwen3 Max の資料制約は急落 -15.1点、GPT-o3 の資料制約は急落 -16.8点となっており、これらの異常は問題サンプリングの変動によるものである可能性も、実際の性能劣化である可能性もあり、今後のrunによる検証が必要です。GLM-4.6 はデータ不完全のためランキング対象外となっています。

主な変化

• Gemini 3.1 Pro：メインランキング+28.2点、コード実行+33.2点、資料制約+22点
• Gemini 2.5 Pro：メインランキング+24.3点、コード実行+34.3点、資料制約+12点
• 豆包 Pro：メインランキング+12.8点、コード実行+8.2点、資料制約+18.5点
• GPT-5.5：メインランキング+10.8点、コード実行+16.5点
• Claude Opus 4.7：メインランキング+9.1点、コード実行+16.5点

注目すべきシグナル

• Qwen3 Max：資料制約が急落 -15.1点
• GPT-o3：資料制約が急落 -16.8点
• GLM-4.6：データ不完全（grounding・judgment・integrity次元が欠落、API障害/タイムアウト）、自動再実行に入っており、今回はランキング対象外

この種のSmoke速報を読む際は、2つの問いに注目すべきです。第一に、あるモデルが複数日連続して同種の弱点を露呈しているかどうか。第二に、誠実性評価がpassからwarnまたはfailに移行していないかどうか。単日のコード実行または資料制約スコアの大幅な変動は、問題サンプリングに起因する場合も、実際の性能劣化の早期シグナルである場合もあり、今後のrunによる検証が必要です。

データ出典：Winzheng YZ Index | Run #222 | 元データを見る