Grok 4が83.51点で首位:2026-11-22 YZ Index Smoke速報データブリーフィング

2026-11-22のYZ Index Smoke速測は13モデルを対象とし、Grok 4が83.51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計算式は 0.55 × コード実行 + 0.45 × 資料制約 である。日次サンプル数が少ないため、単日スコアは長期的なモデル能力の判定よりも監視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

順位モデルメインスコアコード実行資料制約誠実性
#1Grok 483.5188.577.4pass
#2GPT-o378.471.686.7pass
#3Claude Opus 4.778.0999.152.4pass
#4Doubao Pro73.1773.872.4pass
#5GPT-6.1 Sol70.8874.366.7pass
#6GPT-6 Luna67.1371.461.9pass
#7GPT-6 Astra66.7974.357.6pass
#8GPT-6 Sol64.6374.352.8pass
#9DeepSeek V4 Pro62.335077.4pass
#10Claude Sonnet 4.661.5648.677.4pass
#11Gemini 2.5 Pro57.525066.7pass
#12Gemini 3.1 Pro57.525066.7pass
#13GPT-5.554.1649.360.1pass

データ解説

本日のメインランキング上位3モデルは、コード実行と資料制約の組み合わせにおいてそれぞれ異なる特徴を示している。Grok 4はコード実行88.5・資料制約77.4でメインスコア83.51を獲得し、2つの能力が比較的均衡している。GPT-o3はコード実行71.6・資料制約86.7でメインスコア78.4となり、資料制約が相対的に強い。Claude Opus 4.7はコード実行99.1・資料制約52.4でメインスコア78.09となり、コード実行は突出しているが資料制約は低い。Doubao Proはメインスコア73.17・コード実行73.8・資料制約72.4と、比較的均衡した組み合わせとなっている。

複数のモデルで顕著なスコア変動が観測された。GPT-o3のコード実行が-27.2点と急落し、Claude Opus 4.7の資料制約が-17.6点、Doubao Proのメインスコアが-17.9点・コード実行が-25点、GPT-6 Lunaのメインスコアが-13点・コード実行が-27.9点、DeepSeek V4 Proのコード実行が-25点、Claude Sonnet 4.6のコード実行が-25.2点、Gemini 2.5 Proのメインスコアが-12.2点・コード実行が-25点、Gemini 3.1 Proのメインスコアが-15.2点それぞれ急落した。これらの変化は問題のサンプリング変動に起因する可能性もあるが、真の性能劣化である可能性もあり、後続のランでの再確認が必要である。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速測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データパフォーマンスを反映するものに過ぎず、長期的な推定は行わない。

主な変化

  • Doubao Pro:メインスコア-17.9点、コード実行-25点、資料制約-9.3点
  • Gemini 3.1 Pro:メインスコア-15.2点、コード実行-25点
  • GPT-6 Luna:メインスコア-13点、コード実行-27.9点、資料制約+5.2点
  • Gemini 2.5 Pro:メインスコア-12.2点、コード実行-25点
  • Claude Sonnet 4.6:メインスコア-7.5点、コード実行-25.2点、資料制約+14.1点

注目すべきシグナル

  • GPT-o3:コード実行が-27.2点と急落
  • Claude Opus 4.7:資料制約が-17.6点と急落
  • Doubao Pro:メインスコアが-17.9点と急落
  • GPT-6 Luna:メインスコアが-13点と急落
  • DeepSeek V4 Pro:コード実行が-25点と急落
  • Claude Sonnet 4.6:コード実行が-25.2点と急落
  • Gemini 2.5 Pro:メインスコアが-12.2点と急落
  • Gemini 3.1 Pro:メインスコアが-15.2点と急落
  • GLM-4.6:データ不完全(integrity・communication次元が欠損、API障害/タイムアウト)、自動再実行に移行済みのため今回のランキングには不参加
  • Qwen3 Max:データ不完全(execution・資料制約・judgment・integrity・communication次元が欠損、API障害/タイムアウト)、自動再実行に移行済みのため今回のランキングには不参加

この種のSmoke速報を読む際は、2点に着目すべきである。第一に、あるモデルが複数日にわたって同じ種類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に変化していないかどうか。単日のコード実行スコア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起因する場合もあれば、真の性能劣化の早期シグナルである場合もあり、後続のランでの再確認が必要である。


データ出典:YZ Index | Run #438 | 元データを見る