2026年10月16日のYZ Index Smokeクイックテストは13モデルを対象とし、Doubao Proが85.09点で当日首位を獲得した。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、フル週次ランキングの結論とは同一ではない。
今回のSmokeテストはコード実行と資料制約の2つの主要ランキング指標のみを対象とし、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。日次サンプル数が少ないため、1日のスコアはモデル能力に対する長期的な判断ではなく、あくまでモニタリングシグナルとして参照するのが適切である。
当日ランキング
| 順位 | モデル | メイン | コード実行 | 資料制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | Doubao Pro | 85.09 | 95.3 | 72.6 | pass |
| #2 | Grok 4 | 80.81 | 95.3 | 63.1 | pass |
| #3 | DeepSeek V4 Pro | 79.25 | 72 | 88.1 | pass |
| #4 | GPT-6 Astra | 79.25 | 72 | 88.1 | pass |
| #5 | GPT-6.1 Sol | 79.25 | 72 | 88.1 | pass |
| #6 | Claude Opus 4.7 | 73.45 | 68.9 | 79 | pass |
| #7 | GPT-6 Luna | 71.51 | 69.8 | 73.6 | pass |
| #8 | Gemini 3.1 Pro | 69.62 | 54.5 | 88.1 | pass |
| #9 | GPT-5.5 | 62.48 | 47 | 81.4 | pass |
| #10 | Gemini 2.5 Pro | 62.42 | 50 | 77.6 | pass |
| #11 | GPT-o3 | 60.71 | 38.3 | 88.1 | pass |
| #12 | Claude Sonnet 4.6 | 59.56 | 44.8 | 77.6 | pass |
| #13 | GPT-6 Sol | 53.04 | 44.8 | 63.1 | pass |
データ解説
本日のYZ Index Smokeクイックテストでは、Doubao Proがメインスコア85.09で首位となり、コード実行95.3・資料制約72.6という「高コード実行×中程度資料制約」の構成を示した。Grok 4も同じくコード実行95.3を記録したが、資料制約は63.1にとどまり、メインスコア80.81で続いた。DeepSeek V4 Pro・GPT-6 Astra・GPT-6.1 Solの3モデルはいずれもコード実行72・資料制約88.1で、メインスコア79.25に並び、資料制約が相対的に強い構成を示した。Claude Opus 4.7はコード実行68.9・資料制約79でメインスコア73.45、Gemini 3.1 Proはコード実行54.5・資料制約88.1でメインスコア69.62となり、資料制約次元においてトップ層を補完する形となった。
複数のモデルで顕著な変動が見られた。GPT-6 Solはメインスコアが34.8点低下・コード実行が47.2点低下・資料制約が19.7点低下、Gemini 2.5 Proはメインスコアが33.5点低下・コード実行が47.8点低下、Claude Sonnet 4.6はメインスコアが31.2点低下・コード実行が48.2点低下となった。GPT-5.5はメインスコアが25.4点低下・コード実行が45点低下、GPT-o3はメインスコアが23.9点低下・コード実行が33.7点低下・資料制約が11.9点低下した。Doubao Proの資料制約が15.3点急落、Claude Opus 4.7のメインスコアが20.1点急落、GPT-6 Lunaのメインスコアが14.5点急落した。これらの変動は問題サンプリングのばらつきによるものの可能性もあるが、実際の性能劣化を反映している可能性もあり、後続の実行による再確認が必要である。GLM-4.6とQwen3 Maxはデータ不完全のため今回のランキング対象外となった。
Smokeクイックテストは小規模サンプルによる日次シグナルであり、以上の観察は当日のスコア構造と変動状況を反映するものにすぎず、長期的な推論の根拠とはならない。
主な変動
- GPT-6 Sol：メインスコア -34.8点、コード実行 -47.2点、資料制約 -19.7点
- Gemini 2.5 Pro：メインスコア -33.5点、コード実行 -47.8点、資料制約 -16点
- Claude Sonnet 4.6：メインスコア -31.2点、コード実行 -48.2点、資料制約 -10.3点
- GPT-5.5：メインスコア -25.4点、コード実行 -45点
- GPT-o3：メインスコア -23.9点、コード実行 -33.7点、資料制約 -11.9点
注目すべきシグナル
- Doubao Pro：資料制約が急落 -15.3点
- Claude Opus 4.7：メインスコアが急落 -20.1点
- GPT-6 Luna：メインスコアが急落 -14.5点
- GPT-5.5：メインスコアが急落 -25.4点
- Gemini 2.5 Pro：メインスコアが急落 -33.5点
- GPT-o3：メインスコアが急落 -23.9点
- Claude Sonnet 4.6：メインスコアが急落 -31.2点
- GPT-6 Sol：メインスコアが急落 -34.8点
- GLM-4.6：データ不完全（integrity・communication次元が欠如、APIエラー/タイムアウト）。自動再実行処理中のため、今回はランキング対象外
- Qwen3 Max：データ不完全（execution・grounding・judgment・integrity・communication次元が欠如、APIエラー/タイムアウト）。自動再実行処理中のため、今回はランキング対象外
この種のSmoke速報を読む際は、2つの問いに重点を置くべきである。第一に、特定のモデルが同種の弱点を複数日にわたって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に移行していないかどうか。コード実行・資料制約スコアの単日での大幅変動は、問題サンプリングに起因する場合もあるが、実際の性能劣化の初期シグナルである可能性もあり、後続の実行による再確認が必要である。
データ出典：YZ Index | Run #381 | 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