2026-11-04のYZ Index Smoke速測は12モデルをカバーし、GPT-5.5が94.8点で当日首位となった。Smokeは日次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週次ランキングの結論とは同一ではない。
今回のSmoke評価はコード実行とマテリアル制約の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 × マテリアル制約である。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結論としてではなく、監視シグナルとして活用するのが適切である。
当日ランキング
| 順位 | モデル | メインランキング | コード実行 | マテリアル制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | GPT-5.5 | 94.8 | 99.3 | 89.3 | pass |
| #2 | Claude Opus 4.7 | 93.46 | 88.1 | 100 | pass |
| #3 | GPT-o3 | 92.59 | 96.1 | 88.3 | pass |
| #4 | GPT-6 Sol | 89.43 | 99.1 | 77.6 | pass |
| #5 | GPT-6 Astra | 88.05 | 96.6 | 77.6 | pass |
| #6 | GPT-6.1 Sol | 88.05 | 96.6 | 77.6 | pass |
| #7 | GPT-6 Luna | 75.79 | 74.3 | 77.6 | warn |
| #8 | Claude Sonnet 4.6 | 73.76 | 78.8 | 67.6 | warn |
| #9 | Grok 4 | 66.11 | 56.7 | 77.6 | pass |
| #10 | Doubao Pro | 56.73 | 60.1 | 52.6 | pass |
| #11 | Gemini 3.1 Pro | 40.61 | 30.8 | 52.6 | pass |
| #12 | Gemini 2.5 Pro | 23.67 | 0 | 52.6 | pass |
データ解説
本日のYZ Index Smoke速測において、上位モデルはコード実行とマテリアル制約の組み合わせで明確な差異が見られた。GPT-5.5はコード実行99.3・マテリアル制約89.3でメインランキング94.8を獲得し、Claude Opus 4.7はマテリアル制約100・コード実行88.1でメインランキング93.46、GPT-o3はコード実行96.1・マテリアル制約88.3でメインランキング92.59を記録し、3モデルいずれも誠実性はpassとなった。高いコード実行と高いマテリアル制約の補完的な組み合わせが、メインランキングの計算式においてこれらのモデルを上位に押し上げている。
複数のモデルで顕著な変動が見られた。Gemini 2.5 Proはメインランキングが40点下落・コード実行が70.8点下落、Gemini 3.1 Proはメインランキングが33.7点下落・コード実行が66.1点下落、GPT-o3はメインランキングが17.8点上昇・マテリアル制約が37.5点上昇、Claude Opus 4.7はメインランキングが17.5点上昇・コード実行が18.1点上昇した。GPT-6 Lunaのメインランキングは11.5点の急落、Claude Sonnet 4.6は11.1点の急落、Doubao Proは13.2点の急落を記録しており、これらの変化は問題のサンプリング変動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低下である可能性もあり、後続の再実行による確認が必要である。
Smoke速測は小サンプルの単日シグナルであり、GeminiシリーズやGPT-6 Lunaなど異常なモデルの変動幅は比較的大きく、現時点のデータは当日の状態のみを反映しており、長期的な傾向は確認されていない。DeepSeek V4 Pro・GLM-4.6・Qwen3 MaxはAPIの障害によりデータが不完全であり、自動再実行に入っており、本回のランキングには参加していない。
主な変化
- Gemini 2.5 Pro：メインランキング-40点、コード実行-70.8点
- Gemini 3.1 Pro：メインランキング-33.7点、コード実行-66.1点、マテリアル制約+5.9点
- GPT-o3：メインランキング+17.8点、マテリアル制約+37.5点
- Claude Opus 4.7：メインランキング+17.5点、コード実行+18.1点、マテリアル制約+16.7点
- Doubao Pro：メインランキング-13.2点、コード実行-28.8点、マテリアル制約+5.9点
注目すべきシグナル
- GPT-6 Luna：メインランキング急落 -11.5点
- Claude Sonnet 4.6：メインランキング急落 -11.1点
- Doubao Pro：メインランキング急落 -13.2点
- Gemini 3.1 Pro：メインランキング急落 -33.7点
- Gemini 2.5 Pro：メインランキング急落 -40点
- DeepSeek V4 Pro：データ不完全（executionディメンション欠損、API障害/タイムアウト）、自動再実行中、本回ランキング不参加
- GLM-4.6：データ不完全（execution・communicationディメンション欠損、API障害/タイムアウト）、自動再実行中、本回ランキング不参加
- Qwen3 Max：データ不完全（execution・判定・誠実性・communicationなど複数ディメンション欠損、API障害/タイムアウト）、自動再実行中、本回ランキング不参加
この種のSmokeブリーフィングを読む際は、2点に着目すべきである。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に移行しているかどうか。単日のコード実行またはマテリアル制約スコアの大幅な変化は、問題の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可能性もあり、後続の再実行による確認が必要である。
データ出典：YZ Index | Run #410 | 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