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
AIレビュー
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。
GPT-o3が96.98点で首位：2026-09-01 YZ Index Smoke速報データブリーフィング
2026年9月1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96.98点で当日首位を獲得した。Smokeは毎日10問の速測であり、短期シグナルの観察に適している。
Grok 4が89.15点で首位：2026-08-31 YZ Index Smoke速報データブリーフィング
2026年8月31日実施のYZ Index Smoke速測では11モデルを対象とし、Grok 4が89.15点で当日首位を獲得した。本速報はコード実行と資料制約の2次元のみを評価対象とした小サンプルの日次シグナルである。
Gemini 3.1 Pro、メインランキングで10.8ポイント急落――素材制約次元が単日14.4ポイント下落
本日のSmoke評価テストにおいて、Gemini 3.1 Proのメインランキングスコアが昨日の96.60点から85.83点へと10.8ポイント下落した。特に素材制約次元が14.4ポイント、エンジニアリング判断が25ポイントと大幅に低下して
Grok 4のメインランキングが8.8ポイント急落：コード実行が100点から90.7点に低下
Grok 4は本日のSmoke評価テストで、メインランキングのスコアが昨日の96.99点から88.14点に低下し、1日の落ち幅は8.8ポイントに達した。コード実行と素材制約の2次元が主な下落要因となっている。
Claude Opus 4.7がトレンド10.1点上昇、Gemini 3.1 Proは11.2点下降：2026-W35 Smokeウィークリートレンド
2026年8月24日〜30日のSmoke評価において、Claude Opus 4.7が82.98点から93.08点へと10.1点の上昇トレンドを記録した一方、Gemini 3.1 Proは11.2点下落し、モデル間で明暗が分かれた。
Claude Opus 4.7が93.08点で首位：2026-08-30 YZ Index Smoke速報データブリーフィング
2026年8月30日のYZ Index Smokeテスト（11モデル対象）において、Claude Opus 4.7が93.08点で当日首位を獲得した。本速報はコード実行と資料制約の2次元による小サンプル単日シグナルであり、週次Full評価と
MLPerf、エンドツーエンドRAG推論ベンチマークを発表
MLCommonsのMLPerf Inferenceワーキンググループが、初のエンドツーエンド検索拡張生成（RAG）推論ベンチマークを公開した。複数コンポーネントで構成されるRAGパイプライン全体を計測対象とし、2つのワークロードを含む。
ダブルブラインド設計：信頼できるAI評価を構築するための核心的保障
MLCommonsはGoogle DeepMind、OpenMined、AVERIと協力し、暗号技術を用いた初の閉源モデルダブルブラインド評価の概念実証を実施した。この手法により、モデル権重と評価データの双方を保護しながら、信頼性の高いAI
Claude Sonnet 4.6のコード実行スコアが22点急落――総合ランキングは0.5点減にとどまる
Claude Sonnet 4.6が本日のSmoke評価においてコード実行次元で97.00点から75.00点へ22点急落した一方、素材制約次元は25.7点上昇した。総合ランキングスコアは83.24点と、わずか0.5点の低下にとどまった。
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。
Grok 4が96.99点で首位：2026年8月29日 YZ Index Smoke速報データブリーフィング
2026年8月29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96.99点で当日首位を獲得した。Smoke速測は短期シグナルの観察に適した日次10問テストであり、Full週次ランキングの結論とは同等
限界を超えて：H20上でのDeepSeek-V4-Proのサービス最適化
DeepSeek-V4-Proは1.6兆パラメータを持つMoEモデルであり、H20 GPUという制約のあるハードウェア上でのサービング最適化において、TTFT・TPOT目標を達成しながら大幅なスループット改善を実現した取り組みを紹介する。