Claude Opus 4.7、DeepSeek V4 Pro、Doubao Pro、GPT-5.5が91.09点で並列首位：2026-09-14 YZ Index Smoke速報データブリーフ

2026年9月14日実施のYZ Index Smoke速測では10モデルを対象に評価が行われ、Claude Opus 4.7、DeepSeek V4 Pro、Doubao Pro、GPT-5.5の4モデルが91.09点で当日首位に並んだ。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ランキングの結論とは同一視できない。

SGLangとMilesがDeepSeek-V4.1にDay-0サポートを提供

SGLangとMilesがDeepSeek-V4.1に対してDay-0サポートを提供。新アーキテクチャの多層共有、Engram最適化、SWA有界リプレイなど複数の技術的改善を実装した。

GPT-5.5のメインボードスコアが1日で21.4点急落——コード実行が97点から75点に

GPT-5.5が本日のSmoke評価においてメインボードスコアを82.29点から60.87点へ大幅に下落させ、1日の下落幅は21.4点に達した。コード実行と材料制約の両次元が同時に20点以上の急落を記録し、全体的な可用性に深刻な懸念が生じている。

Claude Opus 4.7のコード実行スコアが97から50に急落、総合スコアは18.7ポイント暴落

Claude Opus 4.7が本日のSmoke評価において、総合スコアが昨日の82.29点から63.59点へと18.7ポイント急落した。主な原因はコード実行スコアが97.00点から50.00点へと47ポイント下落したことにある。

Grok 4がトレンド+6.9でトップ、GLM-4.6は83.5ポイント急落しゼロに

2026年9月7日〜13日のYZ Index週次レポートで、Grok 4がトレンド+6.9・均値85.8点でトップを走る一方、GLM-4.6は最終日にゼロ点へ急落し、トレンド-83.5という最大の下落幅を記録した。

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速測では10モデルを対象に評価が行われ、Grok 4が87点で当日首位を獲得した。上位モデルのコード実行スコアと資料制約スコアに明確な差異が見られた。

Doubao Proが83.94点で首位：2026-09-12 YZ Index Smoke速報データブリーフィング

2026年9月12日のYZ Index Smoke速測において、10モデルを対象にした評価でDoubao Proが83.94点を獲得し当日首位となった。本速測はコード実行と資料制約の2次元のみをカバーする小サンプルの日次シグナルである。

Gemini 2.5 Proのコード実行スコアが25点急落、総合ランキングも7.2点下降

Gemini 2.5 ProがSmokeベンチマークの本日評価でコード実行スコアが100.00点から75.00点へと25点急落し、総合ランキングも88.75点から81.53点に低下した。

Grok 4、材料制約スコアが22.2点急落——総合ランキングも5.2点下降

本日のSmoke評価テストにおいて、Grok 4の材料制約スコアが100.00点から77.80点へと22.2点急落し、総合ランキングスコアも93.79点から88.64点に低下した。ただし、サンプル数の少なさによる確率的変動が主因とみられる。

Doubao Pro が95.28点で首位：2026年9月11日 YZ Index Smoke クイックテスト速報

2026年9月11日実施のYZ Index Smokeクイックテストでは、10モデルを対象に評価が行われ、Doubao Proが95.28点で当日首位を獲得した。

MLPerf Storage v3.0ベンチマークテスト結果が公開

MLCommonsが業界標準のMLPerf Storage v3.0ベンチマークスイートの結果を発表した。機械学習ワークロードにおけるストレージシステムの性能を、アーキテクチャ中立かつ再現可能な方法で評価するものである。

GPT-o3のコード実行スコアが24.7点急落、総合スコアは78.13に低下――Smoke評価の異常に要注意

GPT-o3が本日のSmoke評価においてコード実行次元で94.50点から69.80点へと24.7点急落し、総合スコートも86.04点から78.13点へ低下した。ただし、題目抽選による変動が主因である可能性が高く、モデルの実質的な性能劣化とは断定できない。

GPT-5.5のコード実行スコアが22.5点急落、材料制約は28.6点急騰

Smoke評価テストにおいて、GPT-5.5のコード実行スコアが94.50から72.00へ22.5点下落した一方、材料制約スコアは71.40から100.00へ28.6点上昇した。総合ランキングのスコアはわずか0.5点の上昇にとどまっており、モデルの性能劣化ではなく出題の抽選による変動が主因と分析されている。

Gemini 3.1 Proが98.35点で首位：2026-09-10 YZ Index Smoke速報データブリーフィング

2026年9月10日実施のYZ Index Smoke速測では、10モデルを対象に評価が行われ、Gemini 3.1 Proが98.35点で当日首位を獲得した。コード実行と材料制約の2次元における各モデルの動向が注目される。

7モデルのWDCD守約スコアが集団下落、Claude Sonnet 4.6のみ8.6点逆上昇

WDCD v3.1テストにおいて、Claude Sonnet 4.6が前回比8.6点上昇した一方、7モデルが一斉に下落し、GLM-4.6は27点、Gemini 2.5 Proは23.8点の大幅下落を記録した。

安全コンプライアンス場面の最低スコアはわずか0.8点――5大制約でモデルの守約能力を原形に戻したのは何か

WDCD v3.1の5大制約テストにおいて、安全コンプライアンス場面が最も守約が困難な領域であることが判明した。gemini-2.5-proはわずか0.8/4点にとどまった一方、grok-4は4/4満点を獲得し、同一場面内の最大格差は3.2点に達した。

11モデルWDCD三ラウンドアンカー評価：R3誠実率はわずか45.5%、Qwen3 MaxとClaude Sonnetの対決

8問のv2アンカー問題に基づく統計では、11の評価対象モデルのR1平均確認率が0.91に達した後、R2平均抵抗率は0.41まで低下し、R3平均誠実率はわずか45.5%にとどまった。R3での完全崩壊（0点）は計10回発生した。

Grok 4がWDCD守約ランキングで93.80点首位、GLM-4.6は68点で最下位——差は25.8点

WDCD v3.1守約テストにおいて、Grok 4が93.80点で首位、GLM-4.6が68.00点で最下位となり、両者の差は25.8点に達した。11モデルの評価結果には明確な断層が見られ、上位4モデルは83点超、下位3モデルは72点未満となっている。

Claude Sonnet 4.6の材料制約スコアが33.6点急落、総合ランキングも4.4点下落

Claude Sonnet 4.6が本日のSmoke評価において、材料制約スコアが昨日の100.00点から66.40点へ急落し、総合ランキングも86.25点から81.86点に低下した。ただし、複数の次元で同時上昇が見られることから、モデル能力の本質的な劣化よりも設問の抽選による変動が主因と考えられる。

Grok 4、材料制約スコアが17.8点急落も、コード実行は18.5点上昇——Smoke評価メインランキングは2.2点増

Grok 4は本日のSmoke評価メインランキングで88.42点を記録し、昨日の86.25点から2.2点上昇した。一方、材料制約ディメンションが100.00点から82.20点へ17.8点下落するなど、各ディメンション間で大きな明暗が分かれた。