Grok 4が97.66点で首位：2026年9月27日 YZ Index Smoke速報データブリーフィング

2026年9月27日のYZ Index Smoke速テストは10モデルを対象とし、Grok 4が97.66点で当日首位を獲得した。Smokeは毎日10問の速テストであり、短期シグナルの観察に適しているが、Full週次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 である。毎日のサンプル数が少ないため、単日スコアはモデル能力に関する長期的な結論ではなく、モニタリングシグナルとして扱うことが適切である。

当日ランキング

データ解読

本日のYZ Index Smoke速テストにおいて、上位モデルはコード実行と資料制約の組み合わせにおいてそれぞれ異なる特徴を示した。Grok 4はコード実行100・資料制約94.8でメインスコア97.66を獲得し、Claude Opus 4.7とGPT-o3はともにコード実行97・資料制約94.8でメインスコア96.01に並んだ。Claude Sonnet 4.6はコード実行93.9・資料制約90.1であった。Qwen3 Maxはコード実行79.6ながら資料制約94.8でメインスコア86.44を記録し、Doubao Proはコード実行92・資料制約72でメインスコア83となり、高コード実行・低資料制約の組み合わせが顕著であった。

前回同条件のrunと比較すると、Grok 4はメイン+27.3点・コード実行+25点・資料制約+30点、Qwen3 Maxはメイン+11点・資料制約+21点の上昇となった一方、GPT-5.5はメイン-12.5点・コード実行-28点、Gemini 2.5 Proはメイン-10.4点・コード実行-17.5点、Doubao Proはメイン-9.8点・資料制約-13.7点、DeepSeek V4 Proはメイン-8.3点の下落を記録した。これらの変動は問題サンプリングのばらつきに起因する可能性もあれば、単日の実際のパフォーマンス変化を反映している可能性もあり、後続のrunによる検証が必要である。

Smoke速テストは小サンプルの単日シグナルであり、GLM-4.6はデータ不完全のためランキング対象外となった。上記のスコア構成および変化はすべて当日データを直接引用しており、長期的推論は行わない。

主な変化

• Grok 4：メインスコア+27.3点、コード実行+25点、資料制約+30点
• GPT-5.5：メインスコア-12.5点、コード実行-28点、資料制約+6.4点
• Qwen3 Max：メインスコア+11点、資料制約+21点
• Gemini 2.5 Pro：メインスコア-10.4点、コード実行-17.5点
• Doubao Pro：メインスコア-9.8点、コード実行-6.7点、資料制約-13.7点

注目すべきシグナル

• Doubao Pro：メインスコア急落 -9.8点
• GPT-5.5：メインスコア急落 -12.5点
• Gemini 2.5 Pro：メインスコア急落 -10.4点
• DeepSeek V4 Pro：メインスコア急落 -8.3点
• GLM-4.6：データ不完全（通信次元欠損、API障害/タイムアウト）のため自動再実行に移行、今回はランキング対象外

このようなSmokeブリーフィングを読む際には、2点に着目すべきである。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、実際の性能劣化の早期シグナルである場合もあり、後続のrunによる検証が必要である。

データ出典：YZ Index | Run #340 | 元データを見る