Gemini 2.5 Proが100点で首位：2026-07-13 YZ Index Smoke快速テスト データ速報

2026-07-13 YZ Index Smoke快速テストは10モデルを対象とし、Gemini 2.5 Proが100点で当日首位となった。Smokeは毎日10問の快速テストであり、短期シグナルの観察に適しているが、Fullウィークリーランキングの結論と同等ではない。

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対象としており、メインランキングの算出式は 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の長期的な評価としてではなく、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YZ Index Smoke快速テストにおいて、Gemini 2.5 Proはコード実行100・資料制約100でメインランキング100を獲得し、両次元でバランスの取れた高水準のパフォーマンスを示した。GPT-o3とGrok 4はともにコード実行97・資料制約97.8でメインランキング97.36を取得。Doubao ProとGemini 3.1 Proはコード実行94・資料制約100でメインランキング96.7に並んでおり、上位モデルでは2次元の組み合わせに強弱の相補的な特徴が見られる。Claude Opus 4.7はコード実行69・資料制約100でメインランキング82.95、Claude Sonnet 4.6はコード実行94・資料制約62でメインランキング79.6となっており、このような構造的差異はモデルの特定次元における相対的な強みまたは弱点を浮き彫りにしている。

異常シグナルの面では、Qwen3 Maxのメインランキングが前回比22.2点下落し、コード実行72・資料制約72ともに低下した。Claude Sonnet 4.6のメインランキングは17.4点下落し、うち資料制約は62と31.3点の大幅な下落となった。DeepSeek V4 Proのメインランキングは16.9点下落し、コード実行は28点低下。Claude Opus 4.7のメインランキングは14点下落した。これらの変化は問題のサンプリングによるばらつきに起因する可能性もあれば、単日の実際のパフォーマンス差を反映している可能性もあり、今後の再実行による検証が必要である。GLM-4.6はコミュニケーション次元のデータが欠如しているため、今回のランキングに参加していない。

全体として、Smoke快速テストは少サンプルの単日シグナルであり、上位モデルと変動モデルのスコア構造の組み合わせは当日の観察視点を提供するものであるが、いかなる解釈も慎重に行い、長期的な推断を避けるべきである。

主な変化

• Qwen3 Max：メインランキング22.2点下落、コード実行-23点、資料制約-21.3点
• Claude Sonnet 4.6：メインランキング17.4点下落、コード実行-6点、資料制約-31.3点
• GPT-o3：メインランキング17.1点上昇、コード実行+22点、資料制約+11.1点
• DeepSeek V4 Pro：メインランキング16.9点下落、コード実行-28点
• Gemini 3.1 Pro：メインランキング16.2点上昇、コード実行+24点、資料制約+6.7点

注目すべきシグナル

• Claude Opus 4.7：メインランキング急落 -14点
• DeepSeek V4 Pro：メインランキング急落 -16.9点
• Claude Sonnet 4.6：メインランキング急落 -17.4点
• Qwen3 Max：メインランキング急落 -22.2点
• GLM-4.6：データ不完全（communicationディメンション欠如、API障害/タイムアウト）、自動再実行に入っており、今回はランキングに参加しない

このようなSmoke速報を読む際は、2つの点に重点を置くべきである。第一に、あるモデルが複数日連続して同種の弱点を露呈していないか。第二に、誠実性評価がpassからwarnまたはfailに移行していないか。単日のコード実行または資料制約スコアの大幅な変化は、問題のサンプリングによるものである可能性もあれば、実際の性能低下の早期シグナルである可能性もあり、今後の再実行による検証が必要である。

データ出典：YZ Index | Run #229 | 元データを見る