Grok 4が87点で首位：2026年9月13日 YZ Index Smoke速報データブリーフィング

2026年9月13日のYZ Index Smoke速測は10モデルを対象とし、Grok 4が87点で当日首位となった。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、Fullの週次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次元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のが適切である。

当日ランキング

データ解説

当日のYZ Index Smoke速測では、上位モデルのコード実行と資料制約の組み合わせに明確な分化が見られた。Grok 4はメインランキング87、コード実行100、資料制約71.1を記録。Doubao ProとGPT-o3はいずれもメインランキング85.15、コード実行同じく100、資料制約67となり、3モデルとも高いコード実行スコアで上位を占めた。DeepSeek V4 Proはメインランキング77.34、コード実行75、資料制約80.2。Gemini 3.1 Proはメインランキング73.25、コード実行75、資料制約71.1であり、この2モデルは資料制約が相対的に優れており、上位3モデルとは異なるバランス構造を示した。

複数のモデルで顕著な変動が見られた。Qwen3 Maxはメインランキング-25.9点、コード実行-49.2点。Claude Sonnet 4.6はメインランキング-22.6点、コード実行-45.5点、資料制約+5.3点。GPT-5.5はメインランキング-21.4点、コード実行-22点、資料制約-20.7点。Claude Opus 4.7はメインランキング-18.7点、コード実行-47点、資料制約+15.9点。Gemini 2.5 Proはメインランキング-16.6点、コード実行-23.5点、資料制約-8.2点となった。これらの異常シグナルは問題のサンプリング変動に起因する可能性もあれば、単日における実際のパフォーマンス低下を示している可能性もあり、後続の実行による再検証が必要である。

GLM-4.6はAPIの障害・タイムアウトによりデータが不完全となり、execution・grounding・judgment・integrity・communicationの各次元のデータが欠落したため、今回のランキングには参加しない。Smokeは小サンプルの単日シグナルであり、以上の観察は当日のスコア構造を反映するにとどまるものとして、慎重に受け止めるべきである。

主な変動

• Qwen3 Max：メインランキング-25.9点、コード実行-49.2点
• Claude Sonnet 4.6：メインランキング-22.6点、コード実行-45.5点、資料制約+5.3点
• GPT-5.5：メインランキング-21.4点、コード実行-22点、資料制約-20.7点
• Claude Opus 4.7：メインランキング-18.7点、コード実行-47点、資料制約+15.9点
• Gemini 2.5 Pro：メインランキング-16.6点、コード実行-23.5点、資料制約-8.2点

注目すべきシグナル

• Claude Opus 4.7：メインランキング急落 -18.7点
• GPT-5.5：メインランキング急落 -21.4点
• Gemini 2.5 Pro：メインランキング急落 -16.6点
• Qwen3 Max：メインランキング急落 -25.9点
• Claude Sonnet 4.6：メインランキング急落 -22.6点
• GLM-4.6：データ不完全（execution・grounding・judgment・integrity・communication次元が欠落、APIの障害・タイムアウトによる）、自動再実行処理中のため今回はランキングに参加しない

このようなSmoke速報を読む際には、2つの問いに注目すべきである。第一に、あるモデルが複数日にわたって同種の弱点を示し続けているかどうか。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または資料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場合もあり、後続の実行による再検証が必要である。

データ提供：YZ Index | Run #320 | 元データを見る