2026-07-16 YZ Index Smokeテストは9モデルをカバーし、Grok 4が94.15点で当日首位となった。Smokeは毎日10問の速報テストであり、短期シグナルの観察に適しているが、Fullウィークリーランキングの結論とは同等ではない。
今回のSmokeテストはコード実行とマテリアル制約の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 × マテリアル制約 である。1日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結論としてではなく、監視シグナルとして活用することが適切である。
当日ランキング
| 順位 | モデル | メインランキング | コード実行 | マテリアル制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | Grok 4 | 94.15 | 100 | 87 | pass |
| #2 | DeepSeek V4 Pro | 93.84 | 100 | 86.3 | pass |
| #3 | Gemini 3.1 Pro | 80.4 | 75 | 87 | pass |
| #4 | Claude Opus 4.7 | 80.09 | 75 | 86.3 | pass |
| #5 | Qwen3 Max | 80.09 | 75 | 86.3 | pass |
| #6 | Doubao Pro | 71.22 | 58.3 | 87 | pass |
| #7 | GLM-4.6 | 71.22 | 58.3 | 87 | pass |
| #8 | Claude Sonnet 4.6 | 63.19 | 50 | 79.3 | pass |
| #9 | Gemini 2.5 Pro | 58.5 | 33.3 | 89.3 | pass |
データ解説
今回のYZ Index Smoke速報テストにおいて、Grok 4はメインランキング94.15点で首位を獲得した。コード実行100点・マテリアル制約87点の組み合わせが高得点構造を形成している。DeepSeek V4 Proはメインランキング93.84点で続き、コード実行も同様に100点・マテリアル制約86.3点であり、両モデルがコード実行次元で満点を達成しつつマテリアル制約も高水準を維持していることが示された。Gemini 3.1 Proはメインランキング80.4点（コード実行75点・マテリアル制約87点）、Claude Opus 4.7とQwen3 Maxはともにメインランキング80.09点（コード実行75点・マテリアル制約86.3点）であり、この3モデルはコード実行とマテリアル制約が相対的にバランスの取れたスコア特性を示している。
前回の同条件runとの比較では、Gemini 2.5 Proのメインランキングが41.5点下降し、コード実行が66.7点下降、マテリアル制約が10.7点下降した。Claude Sonnet 4.6はメインランキングが25.6点下降し、コード実行が50点下降した。Claude Opus 4.7はメインランキングが19.9点下降し、コード実行が25点下降、マテリアル制約が13.7点下降した。Doubao Proはメインランキングが15点下降し、コード実行が16.7点下降、マテリアル制約が13点下降した。Grok 4はメインランキングが10.5点上昇し、コード実行が29.7点上昇、マテリアル制約が13点下降した。
Claude Opus 4.7、Doubao Pro、Claude Sonnet 4.6、Gemini 2.5 Proではメインランキングの急落が見られたが、これは問題のサンプリング変動またはモデルの一時的な状態変化によるものである可能性があり、後続のrunによる確認が必要である。GPT-5.5とGPT-o3はAPIの障害・タイムアウトによりデータが不完全となったため、今回のランキングには参加していない。
主な変化
- Gemini 2.5 Pro：メインランキング -41.5点、コード実行 -66.7点、マテリアル制約 -10.7点
- Claude Sonnet 4.6：メインランキング -25.6点、コード実行 -50点
- Claude Opus 4.7：メインランキング -19.9点、コード実行 -25点、マテリアル制約 -13.7点
- Doubao Pro：メインランキング -15点、コード実行 -16.7点、マテリアル制約 -13点
- Grok 4：メインランキング +10.5点、コード実行 +29.7点、マテリアル制約 -13点
注目すべきシグナル
- Claude Opus 4.7：メインランキング急落 -19.9点
- Doubao Pro：メインランキング急落 -15点
- Claude Sonnet 4.6：メインランキング急落 -25.6点
- Gemini 2.5 Pro：メインランキング急落 -41.5点
- GPT-5.5：データ不完全（execution、grounding、judgment、integrity、communicationの各次元が欠損、API障害・タイムアウト）、自動再実行キューに登録済み、今回はランキング不参加
- GPT-o3：データ不完全（execution、grounding、judgment、integrity、communicationの各次元が欠損、API障害・タイムアウト）、自動再実行キューに登録済み、今回はランキング不参加
このようなSmokeブリーフィングを読む際には、2つの問いに焦点を当てるべきである。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ないか。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。単日のコード実行またはマテリアル制約スコアの大幅な変動は、問題のサンプリングによるものである場合もあれば、真の性能劣化の初期シグナルである場合もあり、後続のrunによる確認が必要である。
データ出典：YZ Index | Run #234 | 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