GPT-o3が96.93点で首位：2026年8月18日 YZ Index Smoke快速テスト データ速報

2026年8月18日、YZ Index Smokeクイックテストは10モデルを対象に実施され、GPT-o3が96.93点で当日首位となった。Smokeは毎日10問のクイックテストであり、短期シグナルの観測に適しているが、Fullウィークリーランキングの結論と同等ではない。

今回のSmokeテストはコード実行と素材制約の2つの主要ランキング次元のみを対象としており、主ランキングの計算式は0.55 × コード実行 + 0.45 × 素材制約である。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評価としてではなく、モニタリングシグナルとして捉えるのが適切である。

当日ランキング

データ解説

当日の主ランキング上位5モデルのうち、GPT-o3はコード実行98.5・素材制約95というバランスの取れた組み合わせで96.93点を獲得し、Claude Opus 4.7はコード実行100・素材制約85.9の組み合わせで2位につけた。Claude Sonnet 4.6もコード実行100を達成したが素材制約は81.8、GPT-5.5はコード実行100・素材制約79.1であり、上位モデルはコード実行次元で軒並み高水準を維持する一方、素材制約のスコア差が主ランキング順位を分ける主要因となっていることが示された。Doubao Proはコード実行75・素材制約90.9、Gemini 3.1 Proはコード実行51.7・素材制約95、DeepSeek V4 Proはコード実行50・素材制約95という構成を示しており、これらは素材制約が相対的に強いという特徴を反映している。

Gemini 2.5 Proは主ランキングで24.2点上昇・コード実行で50点上昇、DeepSeek V4 Proは主ランキングで19点上昇・コード実行で25点上昇・素材制約で11.7点上昇、Claude Sonnet 4.6は主ランキングで8.6点上昇・コード実行で25点上昇といった変動は、単日の問題サンプリングによる変動に起因する可能性もあれば、特定次元におけるモデルの実際のパフォーマンス変動を反映している可能性もあり、今後同一条件での再実行による確認が必要である。Qwen3 Maxは主ランキングで-8.4点、Doubao Proは-12.6点、Gemini 3.1 Proは-12.1点と大幅に下落しており、いずれもサンプリング変動または実際の性能低下という2通りの解釈が考えられる。本Smokeデータは少サンプルの単日シグナルであるため、長期的な判断は行わない。

GLM-4.6はAPIの障害によりデータが不完全となったため、今回はランキングに参加していない。全体として、各モデルのコード実行と素材制約の強弱の組み合わせが主ランキングスコアに直接影響しており、異常シグナルはいずれも偶発的要因を排除するためのさらなる再実行による検証が必要である。

主な変動

• Gemini 2.5 Pro：主ランキング+24.2点、コード実行+50点、素材制約-7.4点
• DeepSeek V4 Pro：主ランキング+19点、コード実行+25点、素材制約+11.7点
• Doubao Pro：主ランキング-12.6点、コード実行-25点
• Gemini 3.1 Pro：主ランキング-12.1点、コード実行-23.3点
• Claude Sonnet 4.6：主ランキング+8.6点、コード実行+25点、素材制約-11.5点

注目すべきシグナル

• Qwen3 Max：主ランキング大幅下落 -8.4点
• Doubao Pro：主ランキング大幅下落 -12.6点
• Gemini 3.1 Pro：主ランキング大幅下落 -12.1点
• GLM-4.6：データ不完全（実行次元欠損、API障害/タイムアウト）、自動補完再実行に移行、今回はランキング不参加

このようなSmoke速報を読む際は、2つの点に注目すべきである。第一に、あるモデルが複数日連続して同種の弱点を示しているかどうか。第二に、誠実性評価がpassからwarnまたはfailに移行しているかどうか。単日のコード実行または素材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あれば、実際の性能低下の初期シグナルである場合もあり、今後の再実行による確認が必要である。

データ出典：YZ Index | Run #283 | 生データを見る