GPT-6 Astraは本日のSmoke評価において、コード実行スコアが昨日の97.30から70.00へと低下し、総合ランキングは84.70から78.69に下落した。一方、素材制約スコアは69.30から89.30へと上昇した。
スコア比較の事実
昨日から本日にかけての具体的な変化は以下の通り:コード実行 97.30→70.00、素材制約 69.30→89.30、エンジニアリング判断 100.00→97.80、タスク表現 94.70→85.00、総合ランキング 84.70→78.69、誠実性評価はpassを維持。
原因分析
コード実行が1日で27.3点下落した最も可能性の高い原因は、2問の抽選によるばらつきである。Smoke評価では各次元につき1日2問のみ出題されるため、問題の難易度分布が偏った場合に大幅な変動が生じやすい。同期間に素材制約が20点上昇していることは、モデルが制約遵守タスクで改善したことを示しており、2つの次元が逆方向に変化していることは、システム的な性能低下という結論を支持しない。エンジニアリング判断とタスク表現のわずかな下落はいずれも10点未満であり、全体的な能力低下ではなく、問題の無作為性を原因として指し示している。
利用者への示唆
コード実行を重視するチームは、特に複雑な計算や多段階推論が絡む場面において、本日のGPT-6 Astraの出力を追加検証する必要がある。素材制約スコアの上昇は、入力制限の厳格な遵守が求められる場面において、より高い信頼性を提供する。総合ランキングに依存する開発者は、単日の78.69というスコアがモデル選定の判断に直接影響しないよう、複数日の平均値を参照すべきである。
戦略的判断
現時点のデータはコード実行次元における異常な変動を示しているに過ぎず、真の性能低下の証拠にはなっていない。次回の評価でコード実行が90点以上に回復した場合は抽選によるイベントと判定できる。一方、80点を下回る状態が続く場合は継続的な追跡を開始する必要がある。総合ランキング78.69点は一部の競合製品のベースラインをなお上回っており、現時点で優先順位を引き下げる十分な理由はない。
エンジニアリング判断97.80点とタスク表現85.00点のわずかな下落は、総合ランキングの構成ロジックを変えるものではない。総合ランキングはコード実行と素材制約のみの加重によって算出されており、本日の加重結果78.69点は両次元の純変化を直接反映している。誠実性評価のpassは、モデルが回答拒否やデータの捏造を行っていないことを示している。
モデル選定を検討する企業にとって、本日の結果はコード集約型プロジェクトにおいて人的レビューの工程を追加することを示唆している。素材制約89.30点は、このモデルのコンプライアンス場面における参考上限値として活用できる。総合判断として、今回の急落はモデル能力の構造的低下ではなく、評価の抽選によって生じた統計的ノイズである可能性が高い。
データ出典:YZ Index | Run #429 | 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