2026-07-15 YZ Index Smoke クイックテストは10モデルをカバーし、Claude Opus 4.7・Gemini 2.5 Pro・GPT-5.5が100点で当日首位に並んだ。Smokeは毎日10問のクイックテストであり、短期シグナルの観察に適しているが、Full週間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計算式は 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の長期的な評価ではなく、モニタリングシグナルとして参照するのが適切である。
当日ランキング
| 順位 | モデル | メインランキング | コード実行 | 資料制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | Claude Opus 4.7 | 100 | 100 | 100 | pass |
| #2 | Gemini 2.5 Pro | 100 | 100 | 100 | pass |
| #3 | GPT-5.5 | 100 | 100 | 100 | pass |
| #4 | Claude Sonnet 4.6 | 88.75 | 100 | 75 | pass |
| #5 | GPT-o3 | 88.75 | 100 | 75 | pass |
| #6 | DeepSeek V4 Pro | 86.25 | 75 | 100 | pass |
| #7 | Doubao Pro | 86.25 | 75 | 100 | pass |
| #8 | Grok 4 | 83.67 | 70.3 | 100 | pass |
| #9 | Qwen3 Max | 80.17 | 84.4 | 75 | pass |
| #10 | Gemini 3.1 Pro | 72.5 | 50 | 100 | pass |
主な変動
- Claude Sonnet 4.6：メインランキング+27.7点、コード実行+25点、資料制約+30.9点
- Qwen3 Max：メインランキング+17.8点、コード実行+25.9点、資料制約+7.8点
- Gemini 2.5 Pro：メインランキング+13.9点、資料制約+30.9点
- Claude Opus 4.7：メインランキング+13.8点、コード実行+25点
- Grok 4：メインランキング+8.8点、資料制約+25.2点、誠実性 warn→pass
注目すべきシグナル
- DeepSeek V4 Pro：コード実行が急落 -23.7点
- Gemini 3.1 Pro：メインランキングが急落 -8.5点
- GLM-4.6：データ不完全（judgment・communicationの次元が欠損、API障害/タイムアウト）のため自動再実行に移行中、今回はランキング対象外
このようなSmokeブリーフを読む際は、2つの点に注目すべきである。第一に、あるモデルが複数日連続して同種の弱点を示しているか。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・資料制約スコアの大幅な変動は、問題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可能性もあり、後続の実行による検証が必要である。
データ出典：YZ Index | Run #232 | 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