Claude Sonnet 4.6とGPT-o3が96.27点で同率首位：2026-07-21 Smokeクイックテストデータ速報

2026-07-21 YZ Index Smokeクイックテストは11モデルを対象に実施され、Claude Sonnet 4.6とGPT-o3が96.27点で当日首位に並んだ。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いるが、Fullの週間ランキング結論と同等ではない。

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結論としてではなく、モニタリングシグナルとして活用するのが適切である。

当日ランキング

データ解説

本日のメインランキング上位2位のClaude Sonnet 4.6とGPT-o3はいずれも96.27点を獲得し、コード実行はともに100、マテリアル制約はともに91.7で、コード実行とマテリアル制約のバランスが均整の取れた構造を示した。Doubao Proのコード実行も100、マテリアル制約83.3、メインランキング92.49；Grok 4のコード実行93.3、マテリアル制約83.3、メインランキング88.8；DeepSeek V4 Proのコード実行86.7、マテリアル制約89.3、メインランキング87.87となっており、各モデルの2指標における組み合わせの差異が浮き彫りになった。

Claude Sonnet 4.6は前回同条件runと比較してメインランキングが31.9点上昇、コード実行が28.1点上昇、マテリアル制約が36.5点上昇した；GPT-o3はメインランキングが13.6点上昇、コード実行が25点上昇；Qwen3 Maxはメインランキングが12.1点上昇、コード実行が19.4点上昇；Gemini 2.5 Proはメインランキングが10.2点上昇、コード実行が20.8点上昇した。一方、Claude Opus 4.7はメインランキングが26.1点急落、コード実行が25点下降、マテリアル制約が27.4点下降した。

Gemini 3.1 Proのマテリアル制約が17.8点急落、Claude Opus 4.7のメインランキングが26.1点急落、GLM-4.6のマテリアル制約が21.5点急落しており、これらの異常シグナルは問題のサンプリング変動によるものか、あるいは実際の性能劣化によるものかの可能性があり、後続のrunによる検証が必要である。Smokeクイックテストは小サンプルの単日シグナルであるため、関連する解釈は慎重に行うべきである。

主な変化

• Claude Sonnet 4.6：メインランキング+31.9点、コード実行+28.1点、マテリアル制約+36.5点
• Claude Opus 4.7：メインランキング-26.1点、コード実行-25点、マテリアル制約-27.4点
• GPT-o3：メインランキング+13.6点、コード実行+25点
• Qwen3 Max：メインランキング+12.1点、コード実行+19.4点、誠実性 warn→pass
• Gemini 2.5 Pro：メインランキング+10.2点、コード実行+20.8点

注目すべきシグナル

• Gemini 3.1 Pro：マテリアル制約が急落 -17.8点
• Claude Opus 4.7：メインランキングが急落 -26.1点
• GLM-4.6：マテリアル制約が急落 -21.5点

この種のSmoke速報を読む際は、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るかどうか；第二に、誠実性評価がpassからwarnまたはfailに変化しているかどうか。単日のコード実行または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かもしれないが、実際の性能劣化の初期シグナルである可能性もあり、後続のrunによる検証が必要である。

データ出典：YZ Index | Run #240 | 生データを見る