Grok 4のコード実行スコアが31.3点急落、資料制約スコアは34.7点上昇
本日のSmoke評価テストにおいて、Grok 4のコード実行スコアが95.30点から64.00点へ31.3点下落した一方、資料制約スコアは48.40点から83.10点へ34.7点上昇し、総合スコアは74.20点から72.60点へ小幅に低下し
维度对比 に関するニュース
GPT-6.1 Solのメインランキングが9.2点急落、コード実行スコアが1日で16.7点下降
本日のSmoke評価テストにおいて、GPT-6.1 Solのメインランキングスコアが86.25点から77.07点に下落し、コード実行次元では75.00点から58.30点へと16.7点の大幅な低下を記録した。
Claude Opus 4.7、Smoke評価テストの総合スコアが13.9点急落——コード実行部門は1日で22点暴落
Claude Opus 4.7が本日のSmoke評価テストにおいて、総合スコアが96.01点から82.16点へと13.9点下落した。コード実行部門では22点という大幅な落ち込みが記録されたが、サンプル数の少なさによるランダム変動の可能性が高
Claude Sonnet 4.6、Smoke評価でメインスコアが17点急落――コード実行が100点から50点へ
Claude Sonnet 4.6が本日のSmoke評価において、メインボードスコアが89.52点から72.50点へと17点下落した。コード実行ディメンションが100.00点から50.00点へと直接半減したことが主因である。
GPT-o3の総合スコアが15点急落——コード実行が100点から75点に低下
GPT-o3は本日のSmoke評価において総合スコアが85.15点から70.19点へと15点下落した。主な要因はコード実行ディメンションが100.00点から75.00点へと25点急落したことによる。
GPT-5.5のコード実行スコアが25点急落、総合ランキングは3点減のみ、素材制約は24点上昇
GPT-5.5が本日のSmokeテストでコード実行スコアを94.50から69.50へと急落させた一方、素材制約スコアは76.00から100.00へ上昇。両者が相殺し合い、総合ランキングの低下は3点にとどまった。
Grok 4のコード実行スコアが21.8点急落、メインランキングは89.15から84.99に低下
Grok 4が本日のSmokeベンチマークにおいてコード実行スコアを94.50点から72.70点へと大幅に落とし、メインランキングが89.15点から84.99点に後退した。一方、素材制約スコアは100点満点を記録した。
Claude Opus 4.7、コード実行スコアが22点急落——総合ランキングも10.3点下降
Claude Opus 4.7は本日のSmokeテストにおいて総合スコア83.24点を記録し、昨日の93.54点から10.3点下落した。主な原因はコード実行ディメンションのスコアが97.00点から75.00点へと22点落ち込んだことにある。
Doubao Proのコード実行スコアが16.7点急落、素材制約は30.6点上昇
Doubao ProのSmoke評価において、本日のコード実行スコアが75.00点に急落した一方、素材制約スコアは満点の100点に達した。スコアの変動は主に日次の出題抽選によるものと分析されている。
GPT-5.5、材料制約スコアが15.2点急落・コード実行は30点上昇――総合ランキングは9.7点改善
本日のSmokeテストにおいて、GPT-5.5の材料制約スコアが15.2点下落した一方、コード実行スコアが30点上昇し、総合ランキングスコアは64.02点へと9.7点改善した。小サンプルによる抽選のばらつきが主因とみられ、モデル能力の構造的
DeepSeek V4 Pro、材料制約スコアが1日で19.5点下落――総合ランキングも7.6点低下
DeepSeek V4 ProのSmokeベンチマークにおける材料制約スコアが前日の89.50点から70.00点へと急落し、総合スコアも94.07点から86.50点に低下した。ただし、コード実行は満点に達しており、モデル全体の系統的な劣化と
Claude Opus 4.7、Smoke評価でメインランキングが1日で19.3点急落――コード実行は22点下落
Claude Opus 4.7が本日のSmoke評価においてメインランキングスコアを90.51点から71.26点へと19.3点落とした。コード実行と素材制約の2次元が同時に大幅下落した一方、エンジニアリング判断は上昇しており、モデルの真の性