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
AIレビュー
Claude Opus 4.7が82.55点で首位：2026年8月15日 YZ Index Smoke速報データブリーフィング
2026年8月15日のYZ Index Smoke速測では、9モデルを対象にClaude Opus 4.7が82.55点で当日首位を獲得した。Smokeは1日10問の速測であり、短期シグナルの観測に適するが、Fullウィークリーランキングの
Claude Opus 4.7が72.21点で首位：2026-08-14 YZ Index Smoke速報データブリーフィング
2026年8月14日のYZ Index Smokeクイックテストでは11モデルを対象に評価が行われ、Claude Opus 4.7が72.21点で当日首位を獲得した。一方、複数のモデルで大幅なスコア低下が見られ、今後の追加検証が必要とされて
Gemini 2.5 Pro、総合スコアが9.1ポイント急落――コード実行スコアが1日で29.6ポイント暴落
Gemini 2.5 ProのSmoke評価における本日の総合スコアが昨日の88.53点から79.41点へと9.1ポイント下落した。主な要因はコード実行スコアの単日29.6ポイント急落である。
GPT-5.5とGPT-o3が同点97.25点：2026-08-13 YZ Index Smoke速報データブリーフィング
2026年8月13日のYZ Index Smoke速測では11モデルを対象に評価が行われ、GPT-5.5とGPT-o3が97.25点で当日首位に並んだ。Smokeは毎日10問の速測であり、短期的なシグナル観測に適している。
WDCD v3.1サイクル追跡：Doubao Pro +13.8、GPT-o3 -11.6、約束遵守ランキングが大きく塗り替わる
WDCD v3.1テストにおいて、Doubao ProとGLM-4.6が大幅上昇した一方、GPT-o3とDeepSeek V4 Proが顕著に下落し、AIモデルの約束遵守能力ランキングが大きく変動した。現在のトップ5はGrok 4を筆頭に、
ビジネスルール場景の最低スコアわずか1.55点、Claude opus 4.7はリソース制限場景で2点に崩落
WDCD v3.1の5大場景横断評価において、ビジネスルール場景が全モデル中最低スコアの赛道となり、Qwen3-maxはわずか1.55/4点にとどまった。一方、Claude opus 4.7はデータ境界で4/4の満点を獲得しながらも、リソー
R3誠実率わずか59.1%：GPT-o3の20%崩壊が示す三ラウンド守約の断絶
WDCD v3.1パイロットテストにおいて、11モデルがv2アンカー問題8問で明確な三ラウンド衰退を示した。R1確認率100%、R2抵抗率86%に対し、R3誠実率はわずか59.1%にとどまり、GPT-o3は20%という突出した崩壊率を記録し
Grok 4が94.80点でWDCD首位、Qwen3 Maxは69.20点で最下位——両者の差は25.6点
WDCD v3.1の遵約テストにおいて、Grok 4が94.80点で首位を獲得し、Qwen3 Maxは69.20点で11位に留まり、両モデルの合計点差は25.6点に達した。R3高圧ラウンドでの耐性が最終順位を大きく左右する結果となった。
GLM-4.6、コード実行で12.5点下落――資料制約で満点取得しメインランキングは5.4点上昇
GLM-4.6が本日のSmoke評価でメインランキング79.38点を記録。コード実行は62.50点に下落した一方、資料制約は100.00点の満点を獲得し、誠実性評価はfailからpassに転換した。
Grok 4が98.41点で首位：2026年8月12日 YZ Index Smoke速報データブリーフィング
2026年8月12日のYZ Index Smoke速測では11モデルを対象に評価が行われ、Grok 4が98.41点で当日首位を獲得した。上位モデルはコード実行と資料制約の両次元で明確な差異化が見られた。
Doubao Pro、Smoke評価でAPI障害により全5次元データ欠損―メインランキング不参加
Doubao ProはAPIタイムアウト障害により本日のSmoke評価で全5次元のデータが完全に欠損し、自動再実行プロセスに入ったため、今回のメインランキングには参加しない。
GLM-4.6の誠実性評価がPassからFailに転落――タスク表現スコアが25点急落、メインランキングは12.8点上昇
GLM-4.6は本日のSmoke評価において、誠実性評価がPassからFailに転落し、タスク表現スコアが45.00点から20.00点へと大幅に低下した。一方でコード実行スコアの上昇により、メインランキングのスコアは61.25点から74.0
Gemini 3.1 Pro が94.74点で首位：2026-08-11 YZ Index Smokeクイックテスト日次レポート
2026年8月11日のYZ Index Smokeクイックテストでは10モデルを対象に評価が行われ、Gemini 3.1 Proが94.74点で当日首位を獲得した。なお、GLM-4.6は誠実性評価がFailに低下している。
DeepSeek V4 Proが87.2点で首位：2026年8月10日 YZ Index Smoke速報データブリーフィング
2026年8月10日のYZ Index Smoke速測では10モデルを対象に評価が行われ、DeepSeek V4 Proが87.2点で当日首位を獲得した。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おり、Fullウィークリ
Claude Sonnet 4.6が8.8ポイント上昇、Doubao Proが16ポイント下落：WDCD v3.1で約束遵守能力に分化
WDCD v3.1の最新評価（Run #271）において、Claude Sonnet 4.6が83.72点を記録して8.8ポイント上昇、Doubao Proは16ポイント下落した。11モデル中、上昇は2モデル、下落は1モデルにとどまり、首位
WDCD横断評価：データ境界シナリオが全シナリオ最低、11モデル平均スコアわずか2.8点、Doubao-proが1.4点で崩壊
WDCD v3.1の5シナリオ横断評価において、データ境界シナリオの全体スコアが最も低く、11モデルの平均はわずか約2.8点であった。Doubao-proは1.4/4点で唯一2点を下回り、gpt-o3とgrok-4が3.6/4点で並んだ。
WDCDの3ラウンド・アンカーポイント：DoubaoProはR3崩壊率32%、Grok 4は崩壊ゼロ——34回の零点が契約遵守の亀裂を露わにする
v2アンカーポイント問題8問のサンプリングにおいて、11モデルのR3完全崩壊が34/275回に達し、Doubao ProのR3崩壊率は32%に上る一方、Grok 4は崩壊ゼロを維持した。初回確認率が90%に達するモデルでも、第3ラウンドの圧
WDCD守約ランキング：Grok 4が91.04点で首位、Doubao Proは58点で最下位――その差33点
WDCD v3.1守約テストにおいて、Grok 4が91.04点で首位を獲得し、Doubao Proは58.00点で最下位となった。11モデルが25問に挑んだworst-of-3サンプリングの結果、上位と下位の差は33.04点に達した。
Qwen3 Maxの主要ランキングスコアが本日10.2点急落、資料制約次元の21.5点下落が主因
Qwen3 MaxのSmoke評価における本日の主要ランキングスコアが96.04点から85.82点へと10.2点下落した。資料制約次元が21.5点という大幅な下落を記録したことが主な要因となっている。