4モデルがWDCDで一斉下落、Gemini 2.5 Proは16.7ポイント急落
WDCD v3.1パイロットテストにおいて、Gemini 2.5 Proが前回Run #331比で16.7ポイント下落し、評価対象4モデル中最大の下落幅を記録した。DeepSeek V4 Pro、GPT-5.5、Qwen3 Maxも下落し、
AIレビュー
データ境界が契約遵守の最大盲点に——11モデルの最低スコア差は2.7点
WDCD v3.1の5大制約シナリオテストにおいて、データ境界シナリオの平均スコアが最も低く、Qwen3-maxはわずか1.3/4にとどまった。一方、業務ルールシナリオでは6モデルが満点4/4を獲得しており、モデルによってシナリオ間のスコア
WDCD三ラウンドアンカーテスト：R3誠実率63.6%、GPT-o3は確認後に崩壊
11モデルを対象とした3ラウンド連続施圧テストでは、R3（第3ラウンド）の平均誠実率が63.6%にとどまり、GPT-o3はR1・R2で満点に近いスコアを示しながらR3で完全崩壊するという典型的なパターンを示した。Grok 4やDoubao
Grok 4がWDCD守約ランキングで93.60点首位、Qwen3 Maxは67.30点で最下位
WDCD v3.1守約テストにおいて、Grok 4が93.60点で11モデル中首位を獲得し、Qwen3 Maxが67.30点で最下位となった。上位と下位の差は26.3点に達した。
GPT-o3のコード実行スコアが32.5点急落——メインランキングは96.01点から80.48点に低下
GPT-o3が本日のSmokeベンチマークにおいてメインランキングスコアを96.01点から80.48点へと15.5点落とし、特にコード実行次元が97.00点から64.50点へと32.5点の大幅下落を記録した。小サンプルによる確率的変動の可能
Grok 4のコード実行スコアが96.30点から69.50点に急落、メインランキングは1日で10点下落
Grok 4が本日のSmokeベンチマークでメインランキングスコアを前日の90.86点から80.89点に下落させ、特にコード実行ディメンションが96.30点から69.50点へと急落した。ただし、この変動は問題抽選のランダム性によるものと分析
Claude Sonnet 4.6が96.98点で首位：2026-09-23 YZ Index Smoke速報データブリーフィング
2026年9月23日実施のYZ Index Smokeクイックテストでは10モデルを対象に評価が行われ、Claude Sonnet 4.6が96.98点で当日首位を獲得した。複数モデルで大幅なスコア変動が観測されており、単日サンプルの抽様に
Grok 4の材料制約スコアが15.8点急落――メインランキングが95.44から90.86に低下
本日のSmoke評価テストにおいて、Grok 4の材料制約スコアが昨日の100.00から84.20へと15.8点急落し、メインランキング全体が95.44から90.86に低下した。
Claude Sonnet 4.6、材料制約スコアが15.8点急落——コード実行は47点上昇
本日のSmoke評価において、Claude Sonnet 4.6の材料制約スコアが100.00点から84.20点へと15.8点下落した一方、コード実行スコアは50.00点から97.00点へと大幅上昇し、総合ランキングは72.50点から91.
GPT-o3が96.01点で首位：2026-09-22 YZ Index Smoke速報データブリーフィング
2026年9月22日のYZ Index Smoke速測では10モデルを対象に評価が実施され、GPT-o3が96.01点で当日首位を獲得した。DeepSeek V4 Proは前回比29点減と大幅な下落を記録した。
Claude Sonnet 4.6、Smoke評価でメインスコアが17点急落――コード実行が100点から50点へ
Claude Sonnet 4.6が本日のSmoke評価において、メインボードスコアが89.52点から72.50点へと17点下落した。コード実行ディメンションが100.00点から50.00点へと直接半減したことが主因である。
GPT-5.5のコード実行スコアが100から75に急落――メインランキングで1日に10.1点下落
GPT-5.5は本日のSmokeベンチマーク評価でメインランキングのスコアが86.50点から76.44点へと10.1点下落した。主な原因はコード実行次元の25点急落とみられ、サンプル数の少なさによる問題抽選のばらつきが影響している可能性が高
Grok 4が95.44点で首位：2026年9月21日 YZ Index Smoke速報データ
2026年9月21日のYZ Index Smoke速測では10モデルを対象に評価が行われ、Grok 4が95.44点で当日首位を獲得した。Smokeは毎日10問の速測であり、短期シグナルの観測に適しているが、Full週間ランキングの結論とは
GLM-4.6が29.8ポイント急落、GPT-5.5も6ポイント低下——WDCD約束遵守テストで両モデルが全面後退
WDCD v3.1パイロットデータによると、GLM-4.6のスコアが前回Run #326比で29.8ポイント、GPT-5.5が6ポイント低下し、上昇したモデルはゼロだった。Grok 4が91.76点でトップを維持している。
WDCD横断比較：データ境界が最難関シナリオに — GLM-4.6はわずか1.36点で崩壊
WDCD v3.1テストにおいて、データ境界シナリオで全モデルが最低スコアを記録し、GLM-4.6はわずか1.36/4点にとどまった一方、DeepSeek V4 ProとGemini 3.1 Proは3.8/4点で並んだ。各シナリオにおける
R3誠実率わずか49.5%：Grok 4のゼロ崩壊とGLM-4.6の27.6%崩壊が示す約束遵守能力の格差
WDCD v2アンカー問題テストにおいて、Grok 4はR3段階で完全崩壊がゼロだった一方、GLM-4.6のR3崩壊率は27.6%に達し、同一の三ラウンド加圧下での約束遵守能力に顕著な差が生じた。
Grok 4が91.76点でWDCD守約ランキング首位、GLM-4.6は61.55点で最下位に沈む
WDCD v3.1パイロットテストにおいて、Grok 4が91.76点で11モデル中首位を獲得。GLM-4.6は61.55点で最下位となり、首位との差は30.21点に達した。
Grok 4のコード実行スコアが1日で22.4点急落——総合ランキングは88.33から75.38へ低下
Grok 4が本日のSmokeベンチマークでコード実行スコアを96.70点から74.30点へ大幅に落とし、総合ランキングスコアが88.33から75.38へと13点低下した。ただし、他の評価軸は概ね安定しており、モデル能力の系統的な劣化を示す
DeepSeek V4 Pro、材料制約スコアが15点急落も主ランキングは逆に20.8点上昇
DeepSeek V4 Proは本日のSmokeベンチマークで、材料制約スコアが91.70点から76.70点へ下落した一方、主ランキングスコアは55.02点から75.77点へ上昇した。コード実行スコアの大幅改善が主な要因となっている。
Qwen3 Max が7日間トレンド+19.1で首位、DeepSeek V4 Pro は15.3ポイント下落・変動幅43.3
2026年第38週（9月14日〜20日）のYZ Indexデータによると、Qwen3 Maxが週間トレンド+19.1で最大の上昇を記録した一方、DeepSeek V4 Proはトレンド-15.3・変動幅43.3で今週最大の不安定さを示した。