GPT-o3が94.51点で首位：2026年10月17日 YZ Index Smoke速報データブリーフィング
2026年10月17日のYZ Index Smoke速測では14モデルを対象に評価が行われ、GPT-o3が94.51点で当日首位を獲得した。本速測はコード実行と資料制約の2次元のみをカバーする1日10問の簡易測定であり、短期シグナルの観察に
AIレビュー
Claude Opus 4.7、主要ランキングで20.1点急落——コード実行は1日で28.1点下降
Claude Opus 4.7が本日のSmoke評価においてメインスコアが93.54点から73.45点へ急落した。コード実行次元が28.1点と最大の下落幅を記録したが、サブ指標の改善傾向から系統的な能力劣化の可能性は低いと分析される。
DoubaoプロのSmokeテストで材料制約スコアが15.3点急落、総合ランキングも4.3点下降
Doubao ProのSmokeテストにおける本日の評価で、材料制約スコアが87.90点から72.60点へと15.3点下落し、総合ランキングスコアが89.44点から85.09点に低下した。コード実行や課題表現の各スコアは改善が見られたものの
Doubao Pro が85.09点で首位：2026年10月16日 YZ Index Smoke クイックテスト速報
2026年10月16日のYZ Index Smokeクイックテストでは13モデルを対象に評価が行われ、Doubao Proが85.09点で当日首位を獲得した。本テストは1日10問の小規模サンプルによる短期シグナル観測に適したものであり、週次
GPT-o3のコード実行スコアが22.5点急落、総合ランキングも7.8点下落
本日のSmokeベンチマークにおいて、GPT-o3のコード実行スコアが94.50点から72.00点へと急落し、総合ランキングスコアも92.39点から84.60点に低下した。ただし、サンプル数の少なさから抽選による難易度のばらつきが主因とみら
DeepSeek V4 Pro、コード実行スコアが72点に急落22.5ポイント——総合スコアは84.6点に低下
DeepSeek V4 ProのSmokeベンチマーク最新評価において、コード実行スコアが94.50点から72.00点に急落し、総合スコアも92.39点から84.60点に下落した。ただし、他の評価軸は改善または維持されており、モデル全体の性
Gemini 2.5 Proが95.91点で首位：2026年10月15日 YZ Index Smoke簡易テスト速報
2026年10月15日実施のYZ Index Smoke簡易テストでは13モデルを評価し、Gemini 2.5 Proが95.91点で当日首位を獲得した。一部モデルでは大幅な得点変動が観測され、継続的なモニタリングが必要とされている。
WDCD v3.1サイクル：Doubao Proが22.8ポイント下落、GPT-5.5が11.8ポイント上昇、約束遵守能力の二極化が加速
最新のWDCD v3.1約束遵守テストでは、GPT-5.5とDeepSeek V4 Proがそれぞれ11.8ポイント・9ポイント上昇してトップ5入りを果たした一方、Doubao Proは22.8ポイントの大幅下落を記録し、AIモデル間の約束
WDCD 5シナリオ横断評価：データ境界シナリオが最低1.7点で最下位、安全コンプライアンスが最大の弱点に
WDCD v3.1パイロット評価において、データ境界シナリオで最低点1.7点（Qwen3-max）、安全コンプライアンスシナリオで1.8点（Doubao Pro）が記録され、この2シナリオが全モデルにおいて最も得点が低く、かつ識別力が最も高
WDCD三輪アンカーテスト：R3誠実率わずか73.3%、Qwen3 Max はR1から0点
8問のv2アンカー問題を対象にworst-of-3サンプリングを実施した結果、15モデルのR3平均誠実率は73.3%にとどまり、Qwen3 MaxはR1から0点、Claude Opus 4.7もR2で崩壊するなど、複数制約シナリオにおける深
GLM-4.6がWDCDで満点100点、Doubao Proは62点で最下位――38点差が示すもの
GLM-4.6がWDCD v3.1試験で満点100点を獲得して首位に立つ一方、Doubao Proは62点で最下位となり、両者の38点差はAIモデルの制約維持能力における深刻な格差を浮き彫りにした。
GLM-4.6のSmokeテスト評価：コード実行19.50点、材料制約次元欠損により今回はランキング対象外
GLM-4.6が本日のSmokeテスト評価においてデータ不完整な状況が発生し、grounding（情報根拠）とjudgment（工学的判断）の2次元が欠損。APIの障害またはタイムアウトにより自動再実行プロセスに入り、今回は主要ランキングへ
Gemini 3.1 Pro、コード実行スコアが27.2点急落――総合ランキングも6.5点下落
Gemini 3.1 ProのSmokeベンチマークにおけるコード実行スコアが91.70点から64.50点へ27.2点急落し、総合スコアも82.39点から75.89点に低下した。ただし、他の評価軸は安定または上昇しており、問題サンプリングに
Claude Opus 4.7・DeepSeek V4 Pro・GPT-o3が92.39点で並列首位：2026-10-14 YZ Index Smoke速報データブリーフィング
2026年10月14日実施のYZ Index Smokeテストで13モデルを評価した結果、Claude Opus 4.7・DeepSeek V4 Pro・GPT-o3が92.39点で並列首位となった。Gemini 3.1 Proのコード実行
Gemini 3.1 Proが82.39点で首位：2026年10月13日 YZ Index Smoke速報データブリーフィング
2026年10月13日のYZ Index Smoke速報では、13モデルを対象に評価が実施され、Gemini 3.1 Proが82.39点で当日首位を獲得した。コード実行と資料制約の2次元を評価する小サンプルの日次シグナルとして、短期的な動
DLRMv4：MLPerfの推薦システム訓練ベンチマークがシーケンス化時代へ
MLPerf Trainingの推薦システムベンチマークが従来のDLRMv2からDLRMv4へと刷新され、HSTUアーキテクチャとYambda-5Bデータセットを採用することで、シーケンシャルなユーザー行動モデリングと約560GBの大規模E
AIリスクは感覚に頼るな：企業はいかにリスクを定量化・価格付け・管理するか
AIガバナンスの価値は、リスク管理をビジネス優先事項・企業価値観・監査可能なエビデンスと結びつける点にある。MLCommonsは、AIリスクが航空・金融などと同様に識別・価格付け・管理できると主張している。
AIエージェントによる機密データ処理リスクの新分類法が発表
MLCommons AI Risk & Reliability（AIRR）ワーキンググループが、AIエージェント特有のプライバシーリスクを整理した分類法v0.1を公開した。チャットボットをはるかに上回るエージェントのデータ保護リスクを5つの
SGLangとMilesのNVIDIA Vera Rubin上における最適化実践
NVIDIA Vera Rubinノードへの早期アクセスを取得し、SGLang（推論）とMiles（強化学習訓練）フレームワークを同プラットフォームへ移行。Kimi K3 NVFP4モデルに向けたアテンション、MoE通信、KDAカーネルの専
GPT-6.1 Sol、材料制約スコアが19点急落——コード実行は25点急騰
本日のSmoke評価において、GPT-6.1 Solの材料制約スコアが89.30点から70.30点へ19点急落した一方、コード実行スコアは72.00点から97.00点へ25点急騰し、総合ランキングは79.79点から84.99点へ上昇した。