DeepSeek V4 Proが82.64点で首位：2026-08-23 YZ Index Smoke速報データブリーフィング

2026-08-23 YZ Index Smoke速測は11モデルを対象とし、DeepSeek V4 Proが82.64点で当日首位を獲得した。Smokeは1日10問の速測であり、短期シグナルの観測に適しており、週次フルランキングの結論とは同等ではない。

今回のSmoke評価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対象とし、メインランキングの算式は0.55 × コード実行 + 0.45 × 資料制約である。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判断よりも、モニタリング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

データ解説

DeepSeek V4 Proはメインランキング82.64で首位となり、コード実行83.4と資料制約81.7のバランスが均衡している。Gemini 3.1 Proはメインランキング78.52で、コード実行91.7に対し資料制約62.4と、コード実行への偏重が顕著である。Claude Opus 4.7はメインランキング68.83で、コード実行58.3・資料制約81.7と資料制約が相対的に優れている。Doubao Proはメインランキング68.32で、コード実行66.7と資料制約70.3の組み合わせは中程度の水準である。Grok 4とGemini 2.5 Proのメインランキングスコアはそれぞれ64.32と63.29で、いずれもコード実行が資料制約を上回っている。

GLM-4.6はメインランキングが48.1点低下し、コード実行が33.3点、資料制約が66.1点それぞれ低下、誠実性評価がpassからwarnに転じた。Qwen3 Maxはメインランキングが44.6点低下し、コード実行が41.7点、資料制約が48.2点低下した。Claude Sonnet 4.6はメインランキングが33.4点低下し、資料制約が53.9点低下した。これらの変化は問題サンプリングの変動に起因する可能性もあれば、単日での実際のパフォーマンス差異である可能性もあり、後続ランによる再確認が必要である。

Claude Opus 4.7はメインランキングが31.2点低下し、Doubao Proはメインランキングが30.7点低下、いずれもコード実行と資料制約の双方で後退を伴っている。Smoke速測は小サンプルの単日シグナルであり、現在のデータは当日の結果のみを反映するものであって、長期的な判断の根拠とはならない。

主な変化

• GLM-4.6：メインランキング-48.1点、コード実行-33.3点、資料制約-66.1点、誠実性pass→warn
• Qwen3 Max：メインランキング-44.6点、コード実行-41.7点、資料制約-48.2点
• Claude Sonnet 4.6：メインランキング-33.4点、コード実行-16.7点、資料制約-53.9点
• Claude Opus 4.7：メインランキング-31.2点、コード実行-41.7点、資料制約-18.3点
• Doubao Pro：メインランキング-30.7点、コード実行-33.3点、資料制約-27.5点

注目すべきシグナル

• 今回は公開可能な異常シグナルは確認されなかった。

このようなSmoke速報を読む際は、二つの問い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露呈しているか。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。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あれば、実際の性能低下の早期シグナルである場合もあり、後続ランによる再確認が必要である。

データ出典：YZ Index | Run #290 | 元データを見る