2026-08-13 YZ Index Smoke速測は11モデルを対象とし、GPT-5.5とGPT-o3が97.25点で当日首位に並んだ。Smokeは毎日10問の速測であり、短期的なシグナルの観測に適しており、Full週間ランキングの結論とは同一視できない。
今回のSmoke評価はコード実行とマテリアル制約の2つのメインランキング次元のみを対象とし、メインランキングの計算式は 0.55 × コード実行 + 0.45 × マテリアル制約 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
| 順位 | モデル | メインランキング | コード実行 | マテリアル制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | GPT-5.5 | 97.25 | 95 | 100 | pass |
| #2 | GPT-o3 | 97.25 | 95 | 100 | pass |
| #3 | Grok 4 | 93.16 | 95 | 90.9 | pass |
| #4 | Claude Sonnet 4.6 | 91.81 | 95 | 87.9 | pass |
| #5 | Claude Opus 4.7 | 83.5 | 70 | 100 | pass |
| #6 | DeepSeek V4 Pro | 83.5 | 70 | 100 | pass |
| #7 | Gemini 3.1 Pro | 83.5 | 70 | 100 | pass |
| #8 | Gemini 2.5 Pro | 79.41 | 70 | 90.9 | pass |
| #9 | Doubao Pro | 78.42 | 70 | 88.7 | pass |
| #10 | GLM-4.6 | 78.42 | 70 | 88.7 | pass |
| #11 | Qwen3 Max | 78.06 | 70 | 87.9 | pass |
主な変動
- GPT-5.5：メインランキング+36点、コード実行+45点、マテリアル制約+25点
- GPT-o3：メインランキング+22.3点、コード実行+20点、マテリアル制約+25点
- Claude Sonnet 4.6：メインランキング+16.8点、コード実行+20点、マテリアル制約+12.9点
- Qwen3 Max：メインランキング+15.4点、マテリアル制約+37.9点
- DeepSeek V4 Pro：メインランキング+13.4点、マテリアル制約+35点
注目すべきシグナル
- Gemini 2.5 Pro：メインランキング急落 -9.1点
このようなSmoke簡報を読む際には、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にわたって同種の弱点を継続して示しているかどうか。第二に、誠実性評価がpassからwarnまたはfailに移行しているかどうか。単日のコード実行やマテリアル制約スコアの大幅な変動は、問題のサンプリングによるものである可能性もあれば、実際の性能劣化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 #277 | 元データを確認
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接