Gemini 2.5 Pro と Gemini 3.1 Pro が92.44点で並列首位：2026-07-17 Smokeクイックテストデータ速報

2026-07-17のYZ Index Smokeクイックテストは11モデルを対象とし、Gemini 2.5 ProとGemini 3.1 Proが92.44点で当日首位に並んだ。Smokeは1日10問のクイックテストであり、短期シグナルの観測に適しているが、Fullウィークリーランキングの結論とは同等ではない。

今回のSmoke評価はコード実行と資料制約の2つのメインランキング指標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の長期的な判断よりも、モニタリングシグナルとして活用するのが適切である。

当日ランキング

データ解説

本日のYZ Index Smokeクイックテストにおいて、Gemini 2.5 ProとGemini 3.1 Proがメインランキング92.44点で並列首位となり、コード実行95点・資料制約89.3点を記録した。両モデルはコード実行と資料制約の双方で明確な優位性を示している。GLM-4.6はメインランキング84.68点でコード実行91.7点が牽引役となり、一方Claude Opus 4.7はメインランキング84.52点で資料制約89.3点が主な支えとなっており、上位グループにおいて異なる強みの構造が相互補完を形成している。GPT-o3はコード実行89.5点ながら資料制約は63.6点にとどまり、メインランキング77.85点となった。資料制約の弱点が総合順位を制限している状況が見られる。

前回同条件のrunと比較すると、Gemini 2.5 Proはメインランキング+33.9点・コード実行+61.7点、GLM-4.6はメインランキング+13.5点・コード実行+33.4点、Gemini 3.1 Proはメインランキング+12点・コード実行+20点と、これらのモデルにおけるコード実行スコアの上昇がメインランキングの変動を直接牽引した。一方、Grok 4はメインランキング-17.5点・コード実行-13.9点・資料制約-21.9点、DeepSeek V4 Proはメインランキング-11.9点・コード実行-13.3点・資料制約-10.2点、Claude Sonnet 4.6はメインランキング-8.4点となり、これらの変動は単日の小サンプルデータに集中している。

DeepSeek V4 Pro、Grok 4、Claude Sonnet 4.6に見られるメインランキングの急落は、問題のサンプリング変動に起因する可能性もあれば、特定の制約下における各モデルの実際のパフォーマンス低下である可能性もあり、シグナルの安定性を確認するためにその後のrunによる検証が必要である。Smokeクイックテストは小サンプルの単日シグナルであるため、現時点での解釈は本日のデータとの比較に限定し、長期的な推断は行わない。

主な変動

• Gemini 2.5 Pro：メインランキング+33.9点、コード実行+61.7点
• Grok 4：メインランキング-17.5点、コード実行-13.9点、資料制約-21.9点
• GLM-4.6：メインランキング+13.5点、コード実行+33.4点、資料制約-10.9点
• Gemini 3.1 Pro：メインランキング+12点、コード実行+20点
• DeepSeek V4 Pro：メインランキング-11.9点、コード実行-13.3点、資料制約-10.2点

注目すべきシグナル

• DeepSeek V4 Pro：メインランキング急落 -11.9点
• Grok 4：メインランキング急落 -17.5点
• Claude Sonnet 4.6：メインランキング急落 -8.4点

この種のSmoke速報を読む際は、2つの点に焦点を当てるべきである。第一に、あるモデルが複数日にわたって同種の弱点を繰り返し露呈しているかどうか。第二に、誠実性評価がpassからwarnまたはfailに移行していないかどうか。単日のコード実行スコアや制約スコアの大幅な変動は、問題のサンプリングに起因する場合もあれば、実際のパフォーマンス低下の初期シグナルである可能性もあり、後続のrunによる検証が必要である。

データ出典：YZ Index | Run #235 | 元データを見る