赢政 AI 評測 — AI モデル評価・ニュース・研究
総合トップ5
完全ランキング →
#1
GPT-6 Sol 82.2
·
#2
Claude Opus 4.7 81.5
▼2.4
·
#3
GPT-o3 80.6
▲2.9
·
#4
GPT-5.5 80.5
▲2.3
·
#5
Grok 4 80.4
▼2.9
·
#6
GPT-6 Astra 80.4
·
#7
Claude Sonnet 4.6 80.1
▲3.7
·
#8
GPT-6 Luna 79.4
·
#9
GPT-6.1 Sol 78.6
·
#10
豆包 Pro 76.7
▼3.8
·
#11
DeepSeek V4 Pro 76.4
▲1.3
·
#12
Gemini 3.1 Pro 74.2
▼1.3
·
#13
Qwen3 Max 73.6
▲4.9
·
#14
Gemini 2.5 Pro 72.2
▼1.8
·
#15
GLM-4.6 58.8
▲33.4
·
▲ GPT-6 Luna +82 · ▼ Claude Sonnet 4.6 -10.2
·
#1
GPT-6 Sol 82.2
·
#2
Claude Opus 4.7 81.5
▼2.4
·
#3
GPT-o3 80.6
▲2.9
·
#4
GPT-5.5 80.5
▲2.3
·
#5
Grok 4 80.4
▼2.9
·
#6
GPT-6 Astra 80.4
·
#7
Claude Sonnet 4.6 80.1
▲3.7
·
#8
GPT-6 Luna 79.4
·
#9
GPT-6.1 Sol 78.6
·
#10
豆包 Pro 76.7
▼3.8
·
#11
DeepSeek V4 Pro 76.4
▲1.3
·
#12
Gemini 3.1 Pro 74.2
▼1.3
·
#13
Qwen3 Max 73.6
▲4.9
·
#14
Gemini 2.5 Pro 72.2
▼1.8
·
#15
GLM-4.6 58.8
▲33.4
·
▲ GPT-6 Luna +82 · ▼ Claude Sonnet 4.6 -10.2
·
最新ニュース
すべてのニュースを見る →MetaとSierraがAIエージェント身元認証プロトコルを発表、Walmart・Stripeなど創設パートナーに参加
2026年10月6日、MetaとSierraはWalmart、Stripe、Shopify、Rocketなど6社と共同でPersonal Agent Protocol（PAP）を発表した。主要テクノロジー企業がAIエージェントの「信頼できる
OpenAIはデフォルトで電子透かしを導入——ただしEUユーザー限定
OpenAIはChatGPTが生成したコンテンツへのデフォルトの電子透かし埋め込みをEUユーザー限定で開始する。この措置はEUのAI規制への対応だが、技術的な信頼性には課題が残る。
元Rampエンジニアが最初の製品を捨て、MeliusがシリーズAで2000万ドルの資金調達に成功
フィンテック企業Rampの元エンジニアが創業したMeliusは、当初の広告支出管理ツールを全面的に捨て、AIを活用したクリエイティブ素材・マーケティングキャンペーン生成へと方向転換し、2000万ドルの資金調達を完了した。
映画『Artificial』がAI創造者たちを痛烈に裁く——傲慢と危険性
映画『Artificial』は、OpenAIのCEOサム・アルトマンをはじめとするAI業界の主要人物たちを鋭い風刺と容赦ないリアリズムで描き出し、「人類に貢献する」という大義名分の裏に潜む傲慢さと無謀さを暴く作品だ。
AIエージェントの次なる壁：なぜウェブサイトは門を開こうとしないのか
AIエージェントが自律的にタスクを実行できる未来が期待される一方、多くのウェブサイトがボット対策を強化しており、AIエージェントの普及に予期せぬ障壁が生じている。消費者はその板挟みとなり、利便性と遮断の失望感の両方に直面している。
AIによる意思決定モデルはコンテンツモデレーションをどう再定義するか
Musubiが軽量な意思決定モデル「PolicyLM-1.7B」をオープンウェイト形式で公開し、リアルタイムのコンテンツモデレーション分野に新たな技術的潮流をもたらしている。汎用大規模言語モデルに依存しない専用モデルのアプローチは、速度・精
OpenAI Decisions API 全体公開テスト開始：GPT-6 Luna搭載、意思決定速度最大10倍、入力料金のみ
OpenAIは2026年10月6日、Decisions APIを全開発者向けに公開テスト（パブリックベータ）として正式リリースした。GPT-6 Lunaを搭載し、Responses APIと比較して最大10倍の意思決定速度を実現、入力トーク
EmbeddingGemma 2発表：7.4億パラメータで5モダリティを統合、オープンソースのエッジ側埋め込みモデルが新段階へ
Google DeepMindが2026年10月6日にEmbeddingGemma 2を発表。7.4億パラメータで文本・コード・画像・動画・音声の5モダリティを単一の768次元ベクトル空間に統合した、エッジデバイス向けの初のネイティブマルチ
WDCD ラン #365：平均指示減衰率 -53.3%、GLM-4.6 が15モデル中トップに
WinzhengのWDCDベンチマーク第365回実施結果によると、15モデルの平均指示減衰率は-53.3%に達し、マルチターン対話における指示遵守の崩壊がフロンティアシステムにおいても依然として主要な失敗パターンであることが確認された。GL
Qwen3 MaxのWDCDスコアが21.9点急落——6モデルが下降、Doubao Proのみ9.5点上昇
最新のWDCD v3.1テスト（Run #365）では、Qwen3 Maxが前回比21.9点下落するなど6モデルがスコアを落とした一方、Doubao Proのみが9.5点の上昇を記録した。多段階の制約遵守テストにおけるモデル間の信頼性格差が
WDCD横断評価：安全コンプライアンス最低1.1点、15モデルの場面別偏差が最大2.9点差
WDCD v3.1の5大シナリオ横断評価において、安全コンプライアンス場面が15モデルの契約遵守能力の最低点となり、Qwen3-maxはわずか1.1/4点にとどまった。モデルによって場面ごとのスコア差が最大2.9点に達する「得意・苦手」の偏
15モデル中R3完全崩壊はわずか1回——Qwen3 MaxはR3崩壊率10% WDCD v2アンカー問題の三段階衰減の真相
v2アンカー問題8問のサンプリング条件下で15モデルの約束遵守スコアを分析した結果、R1確認率100%・R2抵抗率60%・R3誠実率76.7%という明確な三段階衰減パターンが確認された。150回のworst-of-3サンプリング中、R3完全
レビュー
すべて見る →Qwen3 MaxのWDCDスコアが21.9点急落——6モデルが下降、Doubao Proのみ9.5点上昇
最新のWDCD v3.1テスト（Run #365）では、Qwen3 Maxが前回比21.9点下落するなど6モデルがスコアを落とした一方、Doubao Proのみが9.5点の上昇を記録した。多段階の制約遵守テストにおけるモデル間の信頼性格差が
WDCD横断評価：安全コンプライアンス最低1.1点、15モデルの場面別偏差が最大2.9点差
WDCD v3.1の5大シナリオ横断評価において、安全コンプライアンス場面が15モデルの契約遵守能力の最低点となり、Qwen3-maxはわずか1.1/4点にとどまった。モデルによって場面ごとのスコア差が最大2.9点に達する「得意・苦手」の偏
15モデル中R3完全崩壊はわずか1回——Qwen3 MaxはR3崩壊率10% WDCD v2アンカー問題の三段階衰減の真相
v2アンカー問題8問のサンプリング条件下で15モデルの約束遵守スコアを分析した結果、R1確認率100%・R2抵抗率60%・R3誠実率76.7%という明確な三段階衰減パターンが確認された。150回のworst-of-3サンプリング中、R3完全
WDCD コンプライアンス
#1
GLM-4.6
95.2
#2
Grok 4
94.8
#3
Claude Opus 4.7
94
#4
GPT-o3
93.5
#5
Gemini 3.1 Pro
93.2
#6
DeepSeek V4 Pro
85
#7
豆包 Pro
84.8
守約ランキング全体を見る →
Research Lab
WDCD ラン #365：平均指示減衰率 -53.3%、GLM-4.6 が15モデル中トップに
WinzhengのWDCDベンチマーク第365回実施結果によると、15モデルの平均指示減衰率は-53.3%に達し、マルチターン対話における指示遵守の崩壊がフロンティアシステムにおいても依然として主要な
5大モデル翻訳対決：第41週品質評価、deepseek-v4-proが8.7点でトップ
第41週は5つのモデルが476件の翻訳タスクを処理し、抽出した3件のサンプルをマルチモデルブラインド評価した結果、deepseek-v4-proが平均8.7点で最優秀モデルに選ばれた。
WDCD Run #360：Grok 4が95.7点でトップも、15モデル全体で38%の指示劣化を記録
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのRun #360において、Grok 4が95.7点で首位を獲得したが、38%という大幅な指示劣化を示した。1