GPT-o3が86.9点で首位：2026-07-10 Smoke速報データブリーフィング

2026-07-10 YZ Index Smoke速報は9モデルを対象に実施し、GPT-o3が86.9点で当日首位となった。Smokeは毎日10問の速報テストであり、短期シグナルの観察に適しており、Fullの週次ランキングの結論とは同一ではない。

今回のSmokeテストはコード実行と資料制約の2つのメインランキング次元のみをカバーしており、メインランキングの算式は0.55 × コード実行 + 0.45 × 資料制約である。1日あたりのサンプル数が少ないため、単日スコアはモデル能力に関する長期的な結論としてではなく、モニタリングシグナルとして活用することが適切である。

当日ランキング

データ解説

本日のWinzheng YZ Index Smoke速報において、GPT-o3はメインランキング86.9点で首位となり、コード実行94.5と資料制約77.6の強力な組み合わせを形成し、コード実行への0.55倍の重み付けが全体的なリードを牽引した。豆包 ProとGemini 3.1 Proはともにメインランキング84.57点で並列となり、両者のコード実行はともに93.7、資料制約はともに73.4でバランスの取れた構造を示した。DeepSeek V4 Proはメインランキング81.86点、コード実行90.9、資料制約70.8で、コード面での優位を継続した。Grok 4とGPT-5.5はそれぞれコード実行93.7と94.5の高得点を記録したが、資料制約はそれぞれ61.7と59.1にとどまり、全体的に資料制約に足を引っ張られる結果となった。

Claude Opus 4.7はメインランキングが-19.3点と急落し、コード実行-22点・資料制約-15.9点となった。Claude Sonnet 4.6はメインランキング-15.5点・コード実行-22点、Qwen3 Maxはメインランキング-10.9点・コード実行-22点、Grok 4はメインランキング-8.4点・資料制約-17.6点かつ誠実性がpassからwarnに転じた。これらの異常変動は単日10問のサンプリングのばらつきによる可能性もあり、またモデルの実際の性能低下シグナルである可能性もあるため、同一条件での追跡実施による確認が必要である。GLM-4.6とGemini 2.5 ProはAPIの障害によりデータが不完全であったため、今回のランキングには参加していない。

Smoke速報は小サンプルの単日シグナルであり、以上のスコア構造と変化は当日のパフォーマンスのみを反映するものであり、長期的な推論は行わない。

主な変化

• Claude Opus 4.7：メインランキング19.3点下落、コード実行-22点、資料制約-15.9点
• Claude Sonnet 4.6：メインランキング15.5点下落、コード実行-22点、資料制約-7.6点
• Qwen3 Max：メインランキング10.9点下落、コード実行-22点
• Grok 4：メインランキング8.4点下落、資料制約-17.6点、誠実性pass→warn
• GPT-o3：メインランキング6.5点上昇、資料制約+10.8点

注目すべきシグナル

• Grok 4：メインランキング急落 -8.4点
• Claude Opus 4.7：メインランキング急落 -19.3点
• Qwen3 Max：メインランキング急落 -10.9点
• Claude Sonnet 4.6：メインランキング急落 -15.5点
• GLM-4.6：データ不完全（judgment・integrity次元が欠落、API障害/タイムアウト）、自動補完実行中のため今回ランキング不参加
• Gemini 2.5 Pro：データ不完全（execution・grounding・judgment・integrity・communication次元が欠落、API障害/タイムアウト）、自動補完実行中のため今回ランキング不参加

この種のSmokeブリーフィングを読む際は、2つの問いに重点を置くべきである。第一に、あるモデルが複数日にわたって同種の弱点を露呈し続けているかどうか。第二に、誠実性評価がpassからwarnまたはfailに移行しているかどうか。単日のコード実行スコアや資料制約スコアの大幅な変化は、問題のサンプリングに起因する場合もあれば、実際の性能低下の初期シグナルである場合もあり、後続の実施による確認が必要である。

データソース：Winzheng YZ Index | Run #224 | 元データを確認