Claude Sonnet 4.6とDeepSeek V4 Proが92.17点で並列首位：2026-08-06 YZ Index Smoke速報データ

2026-08-06 YZ Index Smoke速測は9モデルを対象とし、Claude Sonnet 4.6とDeepSeek V4 Proが92.17点で当日首位に並んだ。Smokeは1日10問の速測であり、短期シグナルの観察に適しているが、Full週次ランキングの結論と同等ではない。

今回のSmore評価はコード実行と資料制約の2つのメイン評価軸のみを対象としており、メインスコアの計算式は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

本日のメインスコア上位5モデルのうち、Claude Sonnet 4.6とDeepSeek V4 Proは92.17点で並列首位となり、両モデルともコード実行100点、資料制約82.6点を記録した。GPT-o3はメインスコア89.2点、コード実行100点、資料制約76点。Claude Opus 4.7とGPT-5.5はメインスコア87.36点で、コード実行はともに100点、資料制約はともに71.9点。Grok 4はメインスコア82.99点、コード実行83.3点、資料制約82.6点であり、資料制約が相対的に優位な構成を示した。Qwen3 Maxはメインスコア80.48点、コード実行87.5点、資料制約71.9点であった。

直前の同条件実行と比較すると、Qwen3 Maxはメインスコアが30.8点上昇、コード実行が15.6点上昇、資料制約が49.3点上昇。Grok 4はメインスコアが27.5点上昇、コード実行が8.3点上昇、資料制約が50.9点上昇。Claude Sonnet 4.6はメインスコアが18.1点上昇、資料制約が36.4点上昇。Gemini 3.1 Proはメインスコアが18.1点上昇、資料制約が40.2点上昇。Claude Opus 4.7はメインスコアが15.4点上昇、コード実行が25点上昇した。これらの上昇幅はいずれもSmoke小サンプルの単日データに基づくものであり、問題抽出による変動か実際の変化かを見極めるため、後続の実行による確認が必要である。

DoubaoProとGLM-4.6はAPIエラーまたはタイムアウトにより複数の評価軸でデータが欠落したため、今回のランキングには参加しておらず、自動再実行キューに入っている。Smoke速測は小サンプルの単日シグナルであり、以上の考察は当日のスコア構成を反映したものに過ぎず、モデルの長期的なパフォーマンスについていかなる推断も行っていない。

主な変化

• Qwen3 Max：メインスコア+30.8点、コード実行+15.6点、資料制約+49.3点
• Grok 4：メインスコア+27.5点、コード実行+8.3点、資料制約+50.9点
• Claude Sonnet 4.6：メインスコア+18.1点、資料制約+36.4点
• Gemini 3.1 Pro：メインスコア+18.1点、資料制約+40.2点
• Claude Opus 4.7：メインスコア+15.4点、コード実行+25点

注目すべきシグナル

• Doubao Pro：データ不完全（コード実行・資料制約・判定・誠実性・コミュニケーション各軸が欠落、APIエラー／タイムアウト）、自動再実行中につき今回はランキング不参加
• GLM-4.6：データ不完全（コード実行・誠実性各軸が欠落、APIエラー／タイムアウト）、自動再実行中につき今回はランキング不参加

このようなSmoke速報を読む際は、2点に重点を置くべきである。第一に、特定のモデルが複数日にわたって同種の弱点を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資料制約スコアの大幅な変動は、問題抽出によるものである場合も、実際の性能低下の初期シグナルである場合もあり、後続の実行による確認が必要である。

データ出典：YZ Index | Run #264 | 元データを見る