Qwen3 Maxが84.51点で首位：2026-09-30 YZ Index Smoke速報データブリーフィング
2026年9月30日のYZ Index Smoke速測では10モデルを対象に評価を実施し、Qwen3 Maxが84.51点で当日首位を獲得した。コード実行と素材制約の2次元のみをカバーする日次小サンプルテストであり、結果は短期シグナルとして
AIレビュー
MLCommonsのAIエージェント信頼性フレームワーク、グローバル規制ハッカソンの決勝に進出
MLCommonsの金融サービスワーキンググループが開発した「Agent Reliability Profile」フレームワークが、C:>DIRグローバル「Agentic Regulator」ハッカソンの決勝に進出した。AIエージェントの権
MLPerf Inference v6.1ベンチマーク、参加機関数が過去最高を更新
MLCommonsがMLPerf Inference v6.1ベンチマークの最新結果を発表。参加機関数が過去最高を記録し、2つの新テストを導入するとともに、1年前比で最大5.7倍の性能向上を達成した。
MLPerf Inference v6.1：業界のエンジニアリング投資の新動向
MLPerf Inference v6.1は提出者数が過去最高を記録し、業界がエージェント型・エンドツーエンドベンチマークへの移行を進めていることを明確に示している。新型ハードウェアの大量登場とともに、推論性能の大幅な向上が報告された。
MLCommonsがEUのAIRISプロジェクトに参加――生物医学AIベンチマークテストを推進
MLCommonsが欧州連合のHorizon Europe計画が資金提供するAIRISプロジェクトのコンソーシアムメンバーに正式加入した。同プロジェクトは21機関が参加し、4年間で1,690万ユーロの助成を受ける。
MLPerf Training、初のLLM後学習ベンチマークを導入
MLPerf Trainingは2026年10月のv6.1提出ラウンドより、LLM後学習（ポストトレーニング）ベンチマークを新たに追加する。同ベンチマークはRLVR手法を採用し、強化学習によるコーディングエージェントのソフトウェアエンジニア
SGLang SSDエキスパートパック：コンシューマー向けハードウェアでDeepSeek-V4-FlashとKimi-K3を実行
SGLangのSSD Expert Pack機能を活用し、未使用のエキスパートの重みをNVMe SSD上に保持することで、DeepSeek-V4-FlashやKimi-K3といった大規模MoEモデルをコンシューマー向けGPUで動作させること
NVFP4 KV Cacheが長コンテキスト・Agent推論を高速化
NVIDIAのBlackwellアーキテクチャ向けNVFP4形式をKV Cacheに適用することで、精度をほぼ維持しながらデコードスループットを最大30%向上させることが確認された。SGLangへの実装詳細とベンチマーク結果を解説する。
SGLangを用いたJEV類似決定モデルのスケーリング
本記事では、AIエージェントの意思決定において長文の説明を生成せず分類またはスコアリングで直接判断を返すJEV類似決定モデルを解説し、SGLangの専用スコアリングAPIを活用したベンチマーク結果を紹介する。
Claude Opus 4.7とGPT-5.5が80.2点で並列1位：2026-09-29 YZ Index Smoke速報データブリーフィング
2026年9月29日のYZ Index Smokeテストでは10モデルを対象に評価が行われ、Claude Opus 4.7とGPT-5.5がともに80.2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
GPT-o3のコード実行スコアが24.5点急落、メインランキングも15.2点下落――抽選の偶然か真の性能低下か
本日のSmokeベンチマークにおいて、GPT-o3のメインランキングスコアが96.01から80.78へと15.2点下落し、特にコード実行の次元で97.00から72.50へと24.5点の急落を記録した。ただし、その他の次元は安定または上昇して
Claude Opus 4.7、Smoke評価テストの総合スコアが13.9点急落——コード実行部門は1日で22点暴落
Claude Opus 4.7が本日のSmoke評価テストにおいて、総合スコアが96.01点から82.16点へと13.9点下落した。コード実行部門では22点という大幅な落ち込みが記録されたが、サンプル数の少なさによるランダム変動の可能性が高
GPT-5.5が93.16点で首位：2026-09-28 YZ Index Smoke速報データブリーフィング
2026年9月28日のYZ Index Smoke速テストでは11モデルを対象に評価が行われ、GPT-5.5が93.16点で当日首位を獲得した。Smokeは毎日10問の速テストであり、短期シグナルの観測に適しており、Fullウィークリーラン
GPT-5.5のSmokeベンチマーク総合スコアが1日で12.5点急落——コード実行スコアは28点下落
GPT-5.5が本日のSmokeベンチマーク評価において総合スコアが91.32点から78.80点へと12.5点下落した。主な要因はコード実行次元のスコアが100.00点から72.00点へと28点急落したことにある。
Doubao Pro のメインランキングが9.8点急落、資料制約が単日で13.7点下落
Doubao Pro が本日のSmokeベンチマーク・メインランキングで83.00点を記録し、昨日の92.85点から9.8点下落した。中でも資料制約ディメンションが85.70点から72.00点へと大幅に落ち込んだ。
7日間のSmokeデータ：Claude Opus 4.7がトレンド25.2で最高、Gemini 3.1 Proは26.9ポイント下落
2026年9月21日〜27日のSmoke評価データによると、Claude Opus 4.7が7日間で70.77点から96.01点へ上昇し、トレンド25.2・平均値87.8で全モデル中最高を記録。一方、Gemini 3.1 ProとDeepS
Grok 4が97.66点で首位：2026年9月27日 YZ Index Smoke速報データブリーフィング
2026年9月27日のYZ Index Smoke速テストでは10モデルを対象に評価が行われ、Grok 4が97.66点で当日首位を獲得した。Smoke速テストは毎日10問の小サンプルによる日次シグナルであり、週次Full集計とは同等ではな
Doubao Pro が92.85点で首位：2026年9月26日 YZ Index Smoke クイックテスト速報
2026年9月26日のYZ Index Smokeクイックテストでは10モデルを評価し、Doubao Proが92.85点で当日首位を獲得した。本テストはコード実行と資料制約の2次元のみを対象とする小サンプルの日次観測シグナルである。
GPT-5.5が86.25点で首位：2026年9月25日 YZ Index Smoke 速報データブリーフ
2026年9月25日のYZ Index Smoke速測では10モデルを対象に評価が行われ、GPT-5.5が86.25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を示した。
Claude Opus 4.7とGemini 3.1 Proが84.61点で同率首位：2026-09-24 YZ Index Smoke速報データブリーフ
2026年9月24日のYZ Index Smoke速報（10モデル対象）では、Claude Opus 4.7とGemini 3.1 Proが84.61点で同率首位となった。Smokeは1日10問の速報テストであり、短期シグナルの観察に適して