GPT-6 Luna、材料制約スコアが20点下落・コード実行が41.7点上昇——総合ランキングは13.9点増加
本日のSmoke評価テストにおいて、GPT-6 Lunaの材料制約スコアが95.00点から75.00点に低下した一方、コード実行スコアは58.30点から100.00点に上昇し、総合ランキングスコアは74.82点から88.75点へと13.9点
代码执行波动 に関するニュース
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。
GLM-4.6の誠実性評価がPassからFailに転落――タスク表現スコアが25点急落、メインランキングは12.8点上昇
GLM-4.6は本日のSmoke評価において、誠実性評価がPassからFailに転落し、タスク表現スコアが45.00点から20.00点へと大幅に低下した。一方でコード実行スコアの上昇により、メインランキングのスコアは61.25点から74.0
Grok 4のSmoke評価テスト、メインスコアが11.3点急落——資料制約次元は1日で18点下降
Grok 4が本日のSmoke評価テストにおいてメインスコアを89.30点から78.01点へと11.3点落とした。主因は資料制約次元の単日18点下落であり、サンプル数の少なさによる抽選変動の可能性が高い。
Grok 4のSmokeベンチマーク主榜スコアが17.5点急落——材料制約次元は1日で21.9点下落
Grok 4が本日のSmokeベンチマーク評価において、主榜スコアが昨日の94.15点から76.65点へと17.5点下落した。特に材料制約次元の単日下落幅が21.9点と最大で、日次の問題抽選による変動が主因と分析されている。