2026年11月9日～11月15日のSmokeベンチマークデータによると、GPT-5.5は初日の78.74点から最終日の88.75点へ上昇し、トレンド値は+10となり、今週最大の上昇幅を記録したモデルとなった。
上昇モデルのスコア推移
GPT-5.5の平均値は75.3点、変動幅は37.7点で、最終日スコア88.75点は初日から顕著な向上を示した。Claude Sonnet 4.6は初日の91点から最終日の95.19点へ上昇し、トレンド+4.2、平均78.9点。GPT-6 Lunaは初日の90.24点から最終日の95.19点へ上昇し、トレンド+5、平均81.9点。Claude Opus 4.7は初日の78.74点から最終日の81.44点へ上昇し、トレンド+2.7、平均81.2点。GPT-o3は初日の92.49点から最終日の94.31点へ上昇し、トレンド+1.8、平均75.5点。
下落モデルのスコア推移
Gemini 2.5 Proは初日の82.52点から最終日の51.63点へ下落し、トレンド-30.9、平均57.4点。Gemini 3.1 Proは初日の78.74点から最終日の53.94点へ下落し、トレンド-24.8、平均65.4点。GLM-4.6は初日の36.25点から最終日の0点へ下落し、トレンド-36.3、平均25.5点。Doubao Proは初日の83.49点から最終日の65.38点へ下落し、トレンド-18.1、平均71.5点。DeepSeek V4 Proは初日の68点から最終日の49.44点へ下落し、トレンド-18.6、平均53.6点。GPT-6 Solは初日の92.49点から最終日の90.69点へ下落し、トレンド-1.8、平均78.7点。Grok 4は初日の91.33点から最終日の82.7点へ下落し、トレンド-8.6、平均71.2点。GPT-6 Astraは初日の87.99点から最終日の84.7点へ下落し、トレンド-3.3、平均80点。GPT-6.1 Solは初日の87.99点から最終日の84.7点へ下落し、トレンド-3.3、平均82.1点。
高変動モデルの安定性分析
GLM-4.6の変動幅は53.7点と他モデルを大きく上回り、日次スコアの標準偏差が大きく、一貫性が最も低いことを示している。Grok 4の変動幅は42.7点、GPT-5.5は37.7点、Gemini 2.5 Proは37.5点、GPT-o3は36.7点、Claude Sonnet 4.6は35.3点、GPT-6 Lunaは34.8点、GPT-6 Astraは36.2点。GPT-6.1 Solの変動幅は20.4点、Doubao Proは25.9点、DeepSeek V4 Proは25.2点、Claude Opus 4.7は28.5点、Gemini 3.1 Proは28.5点、GPT-6 Solは26.6点。Qwen3 Maxの変動幅は0点で、最終日も0点を維持した。
誠実性評価の変化シグナル
Grok 4の誠実性評価はpassからwarnへ変化した後、passに回復し、期間中に1回のwarn記録が発生した。GLM-4.6の誠実性評価はpassからfailへ、さらにwarnへ、その後passに戻り再びwarnへと変化し、複数回の変動が見られた。その他のモデルの誠実性評価はpassを維持し、記録上の変化は見られなかった。
要因メカニズム分析
GLM-4.6の最終日スコアが0点かつ変動幅が53.7点であることは、1日10問中の複数問での失点により標準偏差が拡大したことが最大の要因と考えられる。Gemini 2.5 Proのトレンド-30.9点は、初日82.52点と最終日51.63点の差が素材制約次元のスコア低下を直接反映している。GPT-5.5のトレンド+10点・平均75.3点は、コード実行次元のスコアが連続7日間で段階的に向上したことを示している。Grok 4にwarn評価が発生した際、変動幅42.7点も同時に存在しており、エンジニアリング判断次元の不安定性を示している。
利用者への具体的な示唆
コード実行を重視するチームがGPT-5.5を選択する場合、最終日88.75点とトレンド+10のデータを参考にでき、複数日にわたる安定した出力が必要なシナリオに適している。素材への忠実度が重要なシナリオでは、Gemini 2.5 Proの最終日51.63点とトレンド-30.9のデータが出力精度の追加検証の必要性を示唆している。一貫性を重視する開発者はGLM-4.6を避けるべきであり、変動幅53.7点と誠実性評価の複数回の変化が統合リスクを直接高めている。企業がモデルを選定する際、GPT-6 Lunaの平均81.9点とトレンド+5のデータを参照基準として活用できる。
戦略的判断
GPT-5.5はトレンド+10点と最終日88.75点のデータに基づき、今週のSmokeベンチマークにおいて過小評価されていたことが示された。Gemini 2.5 ProとGemini 3.1 Proがともに24点を超える下落を示し、平均がそれぞれ57.4点・65.4点であることは、次回の検証に値するシグナルである。GLM-4.6の誠実性評価がpassからfail、さらにwarnへ推移した経路は、変動幅53.7点と合わさって高リスクな組み合わせを形成している。Claude Sonnet 4.6とGPT-6 Lunaはともに最終日95.19点に達し、トレンドはそれぞれ+4.2と+5であり、同種シナリオでの並行選択肢として活用できる。
今週のデータの流れは明確である：GPT-5.5、Claude Sonnet 4.6、GPT-6 Luna、Claude Opus 4.7、GPT-o3は正のトレンドを示し、Geminiシリーズ、GLM-4.6、Doubao Pro、DeepSeek V4 Proは大幅な負のトレンドを示した。高変動モデルはGLM-4.6とGrok 4に集中しており、誠実性評価の変化はGrok 4とGLM-4.6の2モデルにのみ発生した。すべての判断は2026年11月9日～11月15日の初日・最終日・平均・トレンド・変動幅の数値に直接基づいている。
データ出典：YZ Index | Run #427 | 元データを見る
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接