Claude Opus 4.7が84.9点で首位：2026-10-21 YZ Index Smoke速報データブリーフィング

2026-10-21 YZ Index Smoke速測は14モデルを対象に実施され、Claude Opus 4.7が84.9点で当日首位となった。Smokeは1日10問の速測であり、短期シグナルの観察に適しているが、Fullウィーク総合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つの主要次元のみを対象としており、主要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評価としてではなく、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

本日のSmokeでは、上位モデルに「資料制約スコアが高く、コード実行が十分」という傾向が見られる。Claude Opus 4.7は主要スコア84.9、コード実行75・資料制約97と比較的バランスのとれた優位性を示した。Gemini 3.1 Proは主要スコア83.5、コード実行70・資料制約100で資料面の高スコアに依存する傾向が強く、GLM-4.6は主要スコア82.51、コード実行70・資料制約97.8と構成がGeminiに近い。

中上位層ではやや傾向が分かれている。Claude Sonnet 4.6・DeepSeek V4 Pro・Grok 4はいずれも主要スコア80.99、コード実行75・資料制約88.3でコード面がより安定している。Doubao Proは主要スコア79.65、GPT-6 Solは主要スコア79.29で、コード実行はいずれも64.8だが資料制約はそれぞれ97.8・97と高く、資料遵守が強い一方でコード実行がスコアを押し下げている。

変動については、GPT-o3が主要スコア-31.6点・コード実行-48.5点・資料制約-10.9点、GPT-6.1 Solが主要スコア-22.5点・コード実行-52.2点・資料制約+13.9点と、いずれもコード実行側への圧力が集中している。一方DeepSeek V4 Proは主要スコア+21.4点・コード実行+28点・資料制約+13.3点と、両面での回復に近い動きを見せた。今回注目すべき異常シグナルは検出されておらず、変動は問題サンプリングのばらつきによるものか、真の劣化または回復の可能性もあり、後続の実行での再確認が必要である。Smokeは単日小サンプルであることに留意されたい。

主な変動

• GPT-o3：主要スコア-31.6点、コード実行-48.5点、資料制約-10.9点
• GPT-6.1 Sol：主要スコア-22.5点、コード実行-52.2点、資料制約+13.9点
• DeepSeek V4 Pro：主要スコア+21.4点、コード実行+28点、資料制約+13.3点
• Gemini 3.1 Pro：主要スコア+19.8点、コード実行+23点、資料制約+15.9点
• GLM-4.6：主要スコア+18.8点、コード実行+23点、資料制約+13.7点

注目すべきシグナル

• 今回、公表すべき異常シグナルは検出されなかった。

このようなSmokeブリーフィングを読む際は、主に2点に着目すべきである。第一に、特定の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へと変化していないかどうか。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、問題サンプリングのばらつきによるものである可能性もあれば、真の劣化の初期シグナルである可能性もあり、後続の実行での再確認が必要である。

データ出典：YZ Index | Run #389 | 元データを見る