2026-09-01 YZ Index Smoke速測は11モデルをカバーし、GPT-o3が96.98点で当日首位を獲得した。Smokeは毎日10問の速測であり、短期シグナルの観察に適しているが、週次Full総合ランキングの結論とは同一ではない。
今回のSmoke評価はコード実行と資料制約の2つのメイン指標のみをカバーしており、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 | コード実行 | 資料制約 | 誠実性 |
|---|---|---|---|---|---|
| #1 | GPT-o3 | 96.98 | 94.5 | 100 | warn |
| #2 | Doubao Pro | 87.74 | 88.5 | 86.8 | pass |
| #3 | Claude Sonnet 4.6 | 86.54 | 94.5 | 76.8 | pass |
| #4 | Grok 4 | 84.99 | 72.7 | 100 | pass |
| #5 | Claude Opus 4.7 | 83.23 | 69.5 | 100 | pass |
| #6 | DeepSeek V4 Pro | 83.23 | 69.5 | 100 | pass |
| #7 | Gemini 2.5 Pro | 83.23 | 69.5 | 100 | pass |
| #8 | Gemini 3.1 Pro | 83.23 | 69.5 | 100 | pass |
| #9 | GPT-5.5 | 83.23 | 69.5 | 100 | pass |
| #10 | Qwen3 Max | 77.56 | 70 | 86.8 | pass |
| #11 | GLM-4.6 | 69.48 | 44.5 | 100 | fail |
主な変動
- DeepSeek V4 Pro：メインスコア+21.6点、コード実行+25点、資料制約+17.4点
- Gemini 2.5 Pro：メインスコア+21.6点、コード実行+25点、資料制約+17.4点
- Gemini 3.1 Pro：メインスコア+17点、コード実行+16.7点、資料制約+17.4点
- GPT-o3：メインスコア+16.1点、資料制約+35.7点、誠実性 pass→warn
- Claude Sonnet 4.6：メインスコア+11.1点、コード実行+25点、資料制約-5.8点
注目すべきシグナル
- Grok 4：コード実行が急落 -21.8点
- GPT-5.5：コード実行が急落 -25点
- GLM-4.6：誠実性評価がFailに降格（warn→fail）
このようなSmoke速報を読む際は、2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・資料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るため、後続の実行による検証が必要である。
データ出典：YZ Index | Run #304 | 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