Claude Sonnet 4.6が5点下落、DoubaoPro が7.5点上昇――WDCD v3.1守約テストが安定性の明暗を浮き彫りに
WDCD v3.1（Run #311）において、Claude Sonnet 4.6のスコアが前回比5点下落する一方、Doubao Proは7.5点上昇し、両者の逆方向の変動が今期唯一の顕著な変化となった。その他のモデルは概ね安定を維持してい
AIレビュー
WDCD 5シナリオ横断評価：安全コンプライアンスの最低スコアは2.19点、glm-4.6が4シナリオで首位
WDCD v3.1の約束遵守テストにおける5大制約シナリオ・11モデルの横断評価では、安全コンプライアンスシナリオが全体で最低スコアの次元となり、Qwen3-maxはわずか2.19/4にとどまった。一方、glm-4.6は複数シナリオで首位を
R3誠実率わずか49.5%：11モデルWDCD三ラウンド遵約崩壊の実測結果
11のAIモデルを対象にWDCD（Will Do, Can Do）評価の8問v2アンカー問題でサンプリングを実施した結果、R1確認率は全モデル100%だったが、R3誠実率は平均49.5%にとどまり、29/319回の完全崩壊が確認された。二ラ
Grok 4がWDCD 93.21点でトップ、Qwen3 Maxは74.31点で最下位
WDCD v3.1テストでGrok 4が93.21点で11モデル中1位を獲得。Qwen3 Maxは74.31点で最下位となり、両者の差は18.9点に達した。
Gemini 2.5 ProがYZ Index Smoke速報テストで88.21点首位：2026-09-06データ速報
2026年9月6日実施のYZ Index Smoke速報テスト（11モデル対象）で、Gemini 2.5 Proが88.21点を獲得し首位となった。本テストは1日10問の小規模サンプルによる速報であり、短期シグナルの観測に適している。
GLM-4.6、材料制約スコアが21点急落・コード実行は25点上昇、総合ランキングは4.3点微増
GLM-4.6が本日のSmoke評価において材料制約スコアが21点急落した一方、コード実行スコアは25点上昇し、総合スコアは60.94点から65.24点へと小幅上昇した。誠実性評価はpassからwarnに変化しており、材料依存型の業務シーン
Qwen3 Max、コード実行スコアが21.7点急落――素材制約は20.4点上昇
Qwen3 MaxがSmokeテストでコード実行スコアを96.70点から75.00点へと大幅に下落させた一方、素材制約スコアは48.80点から69.20点へと上昇した。主要ランキングスコアは75.15点から72.39点へと小幅に低下した。
GPT-o3が90.64点で首位：2026年9月5日 YZ Index Smoke速報データブリーフィング
2026年9月5日のYZ Index Smoke速測では11モデルを対象に評価が行われ、GPT-o3が90.64点で当日首位を獲得した。Smokeは毎日10問の速測であり、短期的なシグナル観察に適している。
GLM-4.6、素材制約スコア+28.2点も工程判断-39.6点――誠実性評価がfailからpassに転じ、メインランキングは12.7点上昇
GLM-4.6が本日のSmoke評価テストでメインランキングスコアを48.25点から60.94点へ12.7点改善し、誠実性評価もfailからpassに転換した。ただしスコア変動の主因は素材制約次元の大幅上昇であり、工程判断・タスク表現の両次
GPT-5.5のコード実行スコアが100から75に急落——Smoke評価メインランキングで7.5ポイント低下
GPT-5.5が本日のSmoke評価においてコード実行スコアを100.00から75.00へと急落させ、メインランキング全体も79.12から71.67へと7.5ポイント低下した。抽選による問題のばらつきが主因と見られるが、跌幅は継続的な追跡が
Claude Opus 4.7が92.49点で首位：2026-09-04 Smokeクイックテストデータ概要
2026年9月4日のYZ Index Smokeクイックテストでは、Claude Opus 4.7が92.49点で首位となりました。Smokeは日次10問の小規模テストであり、短期的なシグナルの観察に適している一方、Full週間ランキングの
GLM-4.6、誠実性評価でfail――プローブスコア15.00、主要ランキング48.25点・素材制約46.10点
2026年9月3日実施のRun#307において、GLM-4.6は誠実性評価でfailと判定され、プローブスコア15.00、主要ランキングスコア48.25点を記録した。同日テストされた他の全モデルが誠実性評価をpassしており、GLM-4.6
GPT-o3が83.94点で首位：2026年9月3日 YZ Index Smoke速報データブリーフィング
2026年9月3日のYZ Index Smoke速測では11モデルをカバーし、GPT-o3が83.94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ウィークリーランキングの結論とは同一で
Gemini 2.5 ProのWDCDスコアが22.2点急上昇、Claude Sonnet 4.6のみ13点下落
WDCD v3.1パイロットデータにおいて、Gemini 2.5 Proが22.2点の大幅上昇で最大の勝者となり、Gemini 3.1 Proが97.70点で首位を獲得した。一方、Claude Sonnet 4.6は唯一13点の下落を記録し
WDCD 5シナリオ横断評価：安全コンプライアンスの最低スコアはわずか2点、DeepSeek V4 Proは業務ルール4点・安全コンプライアンス2.5点で1.5点の偏差
WDCD v3.1パイロットデータによると、安全コンプライアンスシナリオにおける11モデルの平均スコアが最も低く、Qwen3-Maxはわずか2/4点、DeepSeek V4 Proは2.5/4点にとどまり、全シナリオ中で最も約束遵守が困難な
WDCD三ラウンドテスト：11モデルのR3誠実率はわずか72.7%、3モデルでR3が完全崩壊
WDCD v3.1パイロット段階において、11モデルのR3平均誠実率は72.7%に留まり、110回のテスト中3回のR3完全崩壊（0点）が発生した。GLM-4.6、DeepSeek V4 Pro、Qwen3 Maxの3モデルが安全コンプライア
WDCD守約ランキング：Gemini 3.1 Pro が97.7点でトップ、Qwen3 Maxが70.3点で最下位
WDCD v3.1の約束遵守テストにおいて、Gemini 3.1 Proが97.70点で11モデル中首位を獲得し、Qwen3 Maxが70.30点で最下位となった。両者の差は27.4点に達した。
Doubao Pro が95.91点で首位：2026-09-02 YZ Index Smoke クイックテスト・データ速報
2026年9月2日実施の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、Doubao Proが95.91点でその日の首位を獲得した。本テストはデイリー10問形式の短期シグナル観測用であり、週次フルランキングとは
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。