Gemini 2.5 Proが95.91点で首位：2026年10月15日 YZ Index Smoke簡易テスト速報

2026年10月15日のYZ Index Smoke簡易テストは13モデルを対象とし、Gemini 2.5 Proが95.91点で当日首位となった。Smokeは毎日10問の簡易テストであり、短期的なシグナルの観察に適しているが、週次Full評価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つの主要ランキング次元のみを対象とし、主要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。毎日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活用することが適切である。

当日ランキング

データ解読

本日のYZ Index Smoke簡易テストでは、Gemini 2.5 Proが主要ランキング95.91で首位を獲得し、コード実行97.8と資料制約93.6のバランスの取れた高水準の組み合わせを示した。Claude Opus 4.7がこれに続き、主要ランキング93.54、コード実行97、資料制約89.3と、コード実行重視の下での安定したパフォーマンスを示した。DeepSeek V4 ProとGPT-o3は主要ランキング84.6で同点となり、両モデルともコード実行72・資料制約100と、資料制約が極めて強くコード実行が相対的に弱い相補的な構造を示した。Doubao ProとClaude Sonnet 4.6は、コード実行90.7と93、資料制約87.9の範囲で中高水準のバランスを維持した。

異常シグナルとして、DeepSeek V4 ProとGPT-o3のコード実行がいずれも-22.5点の変動を示し、Gemini 3.1 Proは主要ランキングが12.6点低下しコード実行も22.5点低下、GPT-6.1 Solは主要ランキング11.3点低下・コード実行22.5点低下、GPT-6 Astraは主要ランキングが10.2点低下した。これらの単日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るが、実際の性能低下の兆候を反映している可能性もあり、後続の実行による検証が必要である。GLM-4.6とQwen3 MaxはAPIの障害によりデータが不完全であったため、今回のランキングには参加していない。

全体的に見ると、上位モデルの多くはコード実行97以上の領域で主要ランキングを押し上げており、資料制約100のモデルでもコード実行が72にとどまると主要ランキングは84.6水準に後退することから、2つの次元の強弱の組み合わせが最終ランキングに直接影響していることが示されている。Smokeの少サンプル単日シグナルのもと、すべての解釈は慎重に行い、長期的な推論は行わない。

主な変動

• Gemini 2.5 Pro：主要ランキング+19.6点、コード実行+32.5点
• Gemini 3.1 Pro：主要ランキング-12.6点、コード実行-22.5点
• Claude Sonnet 4.6：主要ランキング+12.1点、コード実行+23.5点
• GPT-6 Luna：主要ランキング+11.4点、コード実行+27.5点、資料制約-8.2点
• GPT-6.1 Sol：主要ランキング-11.3点、コード実行-22.5点

注目すべきシグナル

• DeepSeek V4 Pro：コード実行が急落 -22.5点
• GPT-o3：コード実行が急落 -22.5点
• GPT-6 Astra：主要ランキングが急落 -10.2点
• GPT-6.1 Sol：主要ランキングが急落 -11.3点
• Gemini 3.1 Pro：主要ランキングが急落 -12.6点
• GLM-4.6：データ不完全（コード実行次元欠損、API障害／タイムアウト）、自動再実行に移行済み、今回はランキング不参加
• Qwen3 Max：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次元欠損、API障害／タイムアウト）、自動再実行に移行済み、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つの問い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よるものである可能性もあれば、実際の性能低下の早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 #380 | 元データを見る