GPT-6 Sol が90.51点で首位：2026-10-30 YZ Index Smoke クイックテストデータ速報

2026-10-30 のYZ Index Smokeクイックテストは13モデルを対象とし、GPT-6 Sol が90.51点で当日首位となった。Smokeは毎日10問のクイックテストであり、短期シグナルの観察に適しているが、Fullウィークリーランキングの結論とは同一ではない。

今回のSmokeテストはコード実行と資料制約の2つの主要ランキング軸のみをカバーしており、主要ランキングの計算式は 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材料としてではなく、監視シグナルとして捉えることが適切である。

当日ランキング

データ解説

本日の総合上位3モデルはいずれもコード実行満点という特徴を示した。GPT-6 Solは総合90.51で首位となり、コード実行100・資料制約78.9を記録。GPT-6 AstraとGPT-6.1 Solはともに総合87.4で、コード実行100・資料制約72と同スコアだった。GPT-6 Lunaは総合80.42で、コード実行74.3・資料制約87.9と、コード実行がやや弱く資料制約が強い構成となっている。GPT-5.5は総合79.1でコード実行75・資料制約84.1を記録し、Gemini 3.1 Proのコード実行67.7・資料制約84.1と対比をなす。

DeepSeek V4 Proは総合-27.3点・コード実行-50点、Gemini 2.5 Proは総合-24.2点・コード実行-46.5点、Doubao Proは総合-23.6点・コード実行-55.2点・資料制約+15点、GPT-o3は総合-16.2点・コード実行-41.2点・資料制約+14.4点、GPT-6 Lunaは総合+13.3点・資料制約+30.3点の変動を示した。Claude Sonnet 4.6は総合が-12.9点と急落し、Claude Opus 4.7はコード実行が-17.4点と急落、Grok 4は総合が-12.2点と急落した。これらの単日の異常変動は問題サンプリングのばらつきに起因する可能性もあるが、真の性能低下を反映している可能性もあり、後続のRunによる再検証が必要である。

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。Smokeは小サンプルの単日シグナルであり、上記の観察はあくまで参考情報であり、長期的な推論には使用しないこと。

主な変動

• DeepSeek V4 Pro：総合-27.3点、コード実行-50点、誠実性 pass→warn
• Gemini 2.5 Pro：総合-24.2点、コード実行-46.5点
• Doubao Pro：総合-23.6点、コード実行-55.2点、資料制約+15点
• GPT-o3：総合-16.2点、コード実行-41.2点、資料制約+14.4点
• GPT-6 Luna：総合+13.3点、資料制約+30.3点

注目すべきシグナル

• Claude Sonnet 4.6：総合急落 -12.9点
• Claude Opus 4.7：コード実行急落 -17.4点
• GPT-o3：総合急落 -16.2点
• Doubao Pro：総合急落 -23.6点
• Grok 4：総合急落 -12.2点
• Gemini 2.5 Pro：総合急落 -24.2点
• DeepSeek V4 Pro：総合急落 -27.3点
• GLM-4.6：データ不完全（通信次元欠損、API障害/タイムアウト）、自動再実行待ち、今回のランキングには不参加
• Qwen3 Max：データ不完全（実行・判定・誠実性・通信等の複数次元が欠損、API障害/タイムアウト）、自動再実行待ち、今回のランキングには不参加

このようなSmoke速報を読む際には、2点に注目することが重要である。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るかどうか。第二に、誠実性評価がpassからwarnまたはfailに変化しているかどうか。単日のコード実行や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、真の性能低下の早期シグナルである可能性もあり、後続のRunによる再検証が必要である。

データ出典：YZ Index | Run #402 | 元データを見る