Claude Opus 4.7が95.63点で首位：2026-10-05 YZ Index Smoke速報データブリーフィング
2026年10月5日のYZ Index Smoke速測では14モデルを対象に評価が行われ、Claude Opus 4.7が95.63点で当日首位を獲得した。本レポートはコード実行と資料制約の2次元のみを対象とした小サンプルの日次シグナルであ
AIレビュー
GLM-4.6が26点急騰、GPT-5.5も10.5点上昇——WDCD遵約格局に急変
WDCD v3.1パイロット版のRun #360において、GLM-4.6が26点上昇して87.55を記録し総合3位に浮上。GPT-5.5も10.5点上昇し、遵約能力評価の勢力図に大きな変化が生じた。
WDCD 5大シナリオ横断評価：業務ルールが最低2.13点、GPT-6シリーズは偏り差1.84点
WDCD v3.1の5大シナリオテストで、業務ルールシナリオが全モデル中最低スコア領域となり、Doubao-proはわずか2.13/4点にとどまった。一方、GPT-6シリーズは工学規範で満点を記録しながらデータ境界では著しく低スコアとなる偏
3ラウンドの圧力後に誠実率48.5%：Grok 4は崩壊ゼロ、GPT-o3の崩壊率は20.7%
v2アンカー問題8問のみを対象としたサンプリングにおいて、15モデルの第3ラウンド平均誠実率はわずか48.5%にとどまり、制約の遵守が3回目の圧力後にシステム的に崩れることが明らかになった。Grok 4が崩壊ゼロという優れた結果を示す一方、
Grok 4が95.69点でWDCD首位、Qwen3 Maxは73.48点で最下位——両者の差は22点超
WDCD v3.1守約テストにおいて、Grok 4が95.69点でトップに立ち、Qwen3 Maxが73.48点で最下位となった。両者の差は22.21点に達し、上位モデルと下位モデルの間に明確な断層が生じている。
Claude Opus 4.7が81.57点で首位：2026-10-04 YZ Index Smoke簡易テスト日次レポート
2026年10月4日実施のYZ Index Smokeテスト（15モデル対象）において、Claude Opus 4.7が81.57点で当日首位を獲得。Smokeテストは毎日10問の簡易テストであり、短期的なシグナル観察に適しているが、Ful
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。
Gemini 2.5 Pro、素材制約スコアが28点急落——コード実行は満点100点に
本日のSmokeベンチマークにおいて、Gemini 2.5 Proの素材制約スコアが昨日の100点から72点へ28点下落した一方、コード実行スコアは71.90点から100点へ上昇し、総合スコアは84.55点から87.40点に改善した。
Claude Opus 4.7が98.65点で首位：2026-10-03 YZ Index Smoke速報データブリーフィング
2026年10月3日のYZ Index Smoke速測では、15モデルを対象にClaude Opus 4.7が98.65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、材料制約で満点・コード実行41.70点・誠実性プローブはわずか15点
GLM-4.6はYZ IndexのSmokeクイックテストで材料制約100点満点を記録した一方、コード実行は41.70点にとどまり、誠実性評価はfailとなった。同日テストした14モデルの中で唯一failとなった点が注目される。
Claude Opus 4.7・GPT-5.5・GPT-6 Astra・GPT-6.1 Solが86.25点で並列首位：2026-10-02 YZ Index Smoke速報データブリーフィング
2026年10月2日のYZ Index Smokeテストでは15モデルを対象に評価が行われ、Claude Opus 4.7・GPT-5.5・GPT-6 Astra・GPT-6.1 Solが86.25点で並列首位となった。Smokeテストは日
GPT-5.5のコード実行スコアが22点急落、素材制約は25.9点急上昇
本日のSmoke評価テストにおいて、GPT-5.5のコード実行スコアが72.00から50.00へと22点下落した一方、素材制約スコアは69.10から95.00へと25.9点上昇した。総合スコアへの影響は限定的で、主要ランキングは70.70か
Qwen3 Max、コード実行スコアが24点急落——メインランキングも7.4点下落
本日のSmoke評価テストにおいて、Qwen3 Maxのコード実行スコアが94.00点から70.00点へと24点急落し、メインランキングスコアも84.51点から77.16点に低下した。ただし、問題の抽選による変動が主因とみられ、モデル能力の
Doubao Pro が95.52点で首位：2026年10月1日 YZ Index Smoke クイックテストデータ速報
2026年10月1日実施のYZ Index Smokeクイックテストでは、15モデルを対象に評価が行われ、Doubao Proが95.52点で当日首位を獲得した。Smokeは毎日10問のクイックテストであり、短期シグナルの観察に適している。
Qwen3 Maxが20.2ポイント急上昇、GLM-4.6が僅差で続く――WDCD5モデルが全線上昇
WDCD v3.1テストにおいて、Qwen3 Maxが20.2ポイント、GLM-4.6が19.9ポイントと大幅に上昇し、評価対象11モデルのうち5モデルが上昇、下降ゼロという結果となった。Grok 4は引き続き満点100.00を維持し、守約
WDCD 5シナリオ横断評価：エンジニアリング規範が最低2.45点、DoubaoとClaudeの得意・不得意の差は1.45点
WDCD v3.1の5大制約シナリオ横断評価において、エンジニアリング規範シナリオで全モデルの得点が最低となり、Doubao-proは11モデル中最低の2.45/4を記録した。安全コンプライアンスシナリオでは最大1.2点の差が生じ、モデルご
11モデルのWDCD v2アンカー問題でR1確認率0%――約束遵守は初回から完全崩壊
8問のv2アンカー問題に基づくサンプリング条件において、評価対象11モデル全てのR1段階における平均確認率が0%となり、ハード制約の初回注入時点で約束遵守の基盤が完全に機能しないことが示された。
Grok 4が満点でWDCDランキング首位、Doubao Proは75.3点で最下位――スコア差は24.7点
WDCD v3.1の約束遵守テストにおいて、Grok 4が100点満点を獲得した唯一のモデルとなり、Doubao Proは75.30点で11位に留まり、両者のスコア差は24.7点に達した。
GPT-o3のコード実行スコアが21.8点急落、資料制約スコアは33.5点上昇、総合ランキングは小幅上昇
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93.80点から72.00点へと21.8点下落した一方、資料制約スコアは49.30点から82.80点へと33.5点上昇し、総合スコアは73.78点から76.86点へと小幅
Claude Opus 4.7、コード実行72点・資料制約85点——Smoke評価メインランキングが2.4点微減
Claude Opus 4.7の本日のSmoke評価において、コード実行スコアが72点に下落した一方、資料制約スコアは85点に上昇し、メインランキング総合スコアは77.85点と前日比2.4点減となった。2つの主要ディメンションが逆方向に大き