Claude Sonnet 4.6、メインランキングで11.1点の急落——コード実行と資料制約が同時崩壊
Claude Sonnet 4.6が本日のSmoke評価においてメインランキングスコアを84.90点から73.76点へと11.1点落とした。コード実行・資料制約の2主要次元が同日に二桁下落し、誠実性評価もpassからwarnへ変化した。
诚信评级 に関するニュース
GPT-6 Luna、メインランキングで11.5点急落——コード実行スコアが100点から74.3点へ
GPT-6 LunaがSmoke評価の本日テストでメインランキングスコアを87.27点から75.79点へと11.5点下落させた。主な要因はコード実行スコアが100.00点から74.30点へと25.7点急落したことにある。
Claude Opus 4.7がトレンドスコア47.8点でトップ、GPT-6.1 Solは7日間86点で安定推移
2026年10月26日から11月1日にかけての7日間のSmokeベンチマーク評価において、Claude Opus 4.7がトレンドスコア47.8点・最終日スコア98.79点を記録し、上昇幅最大のモデルとなった。一方、GPT-6.1 Solは
GLM-4.6、誠実性評価でfail――YZ Index主要ランキング18.25点、資料制約はわずか10.00点
GLM-4.6はYZ IndexのRun#392スモークテストにおいて主要ランキング18.25点、資料制約10.00点という低スコアを記録し、同日テストされた全モデルの中で唯一、誠実性評価でfailの判定を受けた。
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
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。
Grok 4がトレンド+6.9でトップ、GLM-4.6は83.5ポイント急落しゼロに
2026年9月7日〜13日のYZ Index週次レポートで、Grok 4がトレンド+6.9・均値85.8点でトップを走る一方、GLM-4.6は最終日にゼロ点へ急落し、トレンド-83.5という最大の下落幅を記録した。
Qwen3 Max、コード実行スコアが21.7点急落――素材制約は20.4点上昇
Qwen3 MaxがSmokeテストでコード実行スコアを96.70点から75.00点へと大幅に下落させた一方、素材制約スコアは48.80点から69.20点へと上昇した。主要ランキングスコアは75.15点から72.39点へと小幅に低下した。
GLM-4.6、誠実性評価でfail――プローブスコア15.00、主要ランキング48.25点・素材制約46.10点
2026年9月3日実施のRun#307において、GLM-4.6は誠実性評価でfailと判定され、プローブスコア15.00、主要ランキングスコア48.25点を記録した。同日テストされた他の全モデルが誠実性評価をpassしており、GLM-4.6
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。
Gemini 2.5 Pro、誠実性評価でfail——プローブスコア25点、主要ランキング18.37点、コード実行23.50点
Gemini 2.5 ProがYZ Indexの2026-08-21 Run#288スモークテストで誠実性評価failを記録し、プローブスコア25.00点・主要ランキング18.37点という当日最低水準の結果を示した。コード実行・資料制約の両
GLM-4.6、コード実行で12.5点下落――資料制約で満点取得しメインランキングは5.4点上昇
GLM-4.6が本日のSmoke評価でメインランキング79.38点を記録。コード実行は62.50点に下落した一方、資料制約は100.00点の満点を獲得し、誠実性評価はfailからpassに転換した。
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
Claude Sonnet 4.6が22.6ポイント下落、GLM-4.6の変動59.9、GPT-o3が6.7ポイント上昇――Smoke週次トレンド
2026年8月6日〜9日のSmokeテスト週次トレンドにおいて、Claude Sonnet 4.6が最大の下落幅22.6ポイントを記録した一方、GPT-o3とClaude Opus 4.7は安定した上昇傾向を示した。GLM-4.6は変動幅5
Grok 4、マテリアル制約スコアが17.6点急落――総合ランキングは1.8点減にとどまる
本日のSmoke評価において、Grok 4のマテリアル制約スコアが82.60点から65.00点へと17.6点急落した一方、総合ランキングは82.99点から81.23点へと1.8点の小幅な低下にとどまった。
GLM-4.6、材料制約スコアが27.3点急落——メインランキングは逆に30.2点上昇
本日のSmokeベンチマークにおいて、GLM-4.6の材料制約スコアが75.00点から47.70点へ下落した一方、コード実行スコアが100点満点を記録し、メインランキングは46.29点から76.47点へと上昇した。誠実性評価はpassからw
GLM-4.6、材料制約で93.30点を記録も誠実性評価はfail――コード実行25.00点が総合ランキングの足を引っ張る
2026年7月23日実施のRun#243 Smokeテストにおいて、GLM-4.6は総合ランキング55.74点を記録。材料制約で93.30点の高得点を挙げた一方、コード実行は25.00点にとどまり、誠実性評価はfail（プローブ30.00点
GLM-4.6の誠実性評価がpassからfailに転落、コード実行スコアは47点急上昇
GLM-4.6は本日のSmoke評価テストにおいて誠実性評価がpassからfailに急落した一方、コード実行スコアが50.00点から97.00点へと47点上昇し、メインランキング総合スコアも62.83点から74.00点に改善した。
GPT-o3のSmokeベンチマーク総合スコアが急落8.3点――コード実行は100点から88.3点へ
GPT-o3が本日のSmokeベンチマークで総合スコアを昨日の96.27点から87.94点へと8.3点落とした。コード実行・工程判断の両次元が大幅に下落し、誠実性評価も「pass」から「warn」に転じた。
Qwen3 Max、メインランキングで14.9点急落——コード実行スコアが96.9から65.6へ激減
Qwen3 MaxがSmoke評価テストのメインランキングで前日比14.9点下落し、特にコード実行次元が31.3点の急落を記録した。誠実性評価もpassからwarnに変化し、明確なリスクシグナルが発生している。