GPT-5.5が96.1点で首位：2026-10-22 YZ Index Smoke速報データブリーフィング

2026-10-22 YZ Index Smoke速測は14モデルを対象とし、GPT-5.5が96.1点で当日首位となった。Smokeは毎日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週間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。日次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、監視シグナルとして活用することが望ましい。

当日ランキング

データ解説

本日のYZ Index Smoke速測において、GPT-5.5はメインスコア96.1点で首位となり、コード実行97点と資料制約95点のバランスの取れた組み合わせを示した。Doubao Proはメイン93.09点で、コード実行も同じく97点に達したが資料制約は88.3点。Gemini 2.5 Proはメイン92.49点で、コード実行100点に対し資料制約83.3点となった。続くGemini 3.1 Pro、GPT-6 Luna、GPT-6.1 Sol、GPT-o3、Grok 4の各モデルはメインスコアがいずれも90.84点の区間に集中し、コード実行は97点、資料制約は83.3点となっており、コード実行が主導する構造的特徴を示している。Claude Opus 4.7はメイン82.35点で、コード実行72点と資料制約95点という逆転した組み合わせが見られた。

前回同条件のrunと比較すると、GLM-4.6のメインスコアは-57.5点の変動を示し、コード実行-45点・資料制約-72.8点。GPT-6.1 Solはメイン+28.5点・コード実行+52.2点。GPT-o3はメイン+24.6点・コード実行+47点。GPT-5.5はメイン+17.6点・コード実行+27点・資料制約+6.1点。GPT-6 Lunaはメイン+17.5点・コード実行+32.2点となった。これらの変動は問題のサンプリングによるばらつきに起因する可能性もあれば、モデルの実際のパフォーマンス低下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。Gemini 3.1 Proの資料制約が-16.7点急落、Claude Sonnet 4.6のメインが-16.9点急落した点も潜在的な異常を示唆しており、GLM-4.6のメイン-57.5点急落についても更なる検証を要する。

Smoke速測は小サンプルの単日シグナルであり、Qwen3 MaxはAPIの障害によりデータが不完全なため、今回のランキングには参加していない。全体として、上位モデルではコード実行と資料制約の組み合わせに差異が見られ、異常なスコア変動については過度な推断を避けつつ慎重に解釈する必要がある。

主要な変化

• GLM-4.6：メインスコア-57.5点、コード実行-45点、資料制約-72.8点
• GPT-6.1 Sol：メインスコア+28.5点、コード実行+52.2点
• GPT-o3：メインスコア+24.6点、コード実行+47点
• GPT-5.5：メインスコア+17.6点、コード実行+27点、資料制約+6.1点
• GPT-6 Luna：メインスコア+17.5点、コード実行+32.2点

注目すべきシグナル

• Gemini 3.1 Pro：資料制約が-16.7点急落
• Claude Sonnet 4.6：メインスコアが-16.9点急落
• GLM-4.6：メインスコアが-57.5点急落
• Qwen3 Max：データ不完全（APIの障害・タイムアウトにより複数次元でデータ取得不可）、自動補完runに移行中のため今回のランキングには不参加

このようなSmoke速報を読む際には、2つの問いに重点を置くべきである。第一に、あるモデルが複数日にわたって同種の弱点を繰り返し示していないか。第二に、誠実性評価がpassからwarnまたはfailへ移行していないか。コード実行や資料制約スコアの単日における大幅な変動は、問題のサンプリングに起因する場合もあれば、実際のパフォーマンス低下の初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 #391 | 元データを見る