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
Grok 4 86.4
▲6
·
#2
GPT-6 Luna 83.9
▲4.5
·
#3
GPT-6.1 Sol 83.3
▲4.7
·
#4
Claude Sonnet 4.6 82.7
▲2.6
·
#5
豆包 Pro 82
▲5.3
·
#6
GPT-6 Sol 81.5
▼0.7
·
#7
Claude Opus 4.7 81.3
·
#8
GPT-6 Astra 80.6
·
#9
GPT-5.5 80.2
·
#10
GPT-o3 77.6
▼3
·
#11
DeepSeek V4 Pro 77.1
▲0.7
·
#12
Gemini 3.1 Pro 74
·
#13
Gemini 2.5 Pro 69.8
▼2.4
·
#14
GLM-4.6 39.3
▼19.5
·
▲ GLM-4.6 +45.8 · ▼ Qwen3 Max -77.4
·
#1
Grok 4 86.4
▲6
·
#2
GPT-6 Luna 83.9
▲4.5
·
#3
GPT-6.1 Sol 83.3
▲4.7
·
#4
Claude Sonnet 4.6 82.7
▲2.6
·
#5
豆包 Pro 82
▲5.3
·
#6
GPT-6 Sol 81.5
▼0.7
·
#7
Claude Opus 4.7 81.3
·
#8
GPT-6 Astra 80.6
·
#9
GPT-5.5 80.2
·
#10
GPT-o3 77.6
▼3
·
#11
DeepSeek V4 Pro 77.1
▲0.7
·
#12
Gemini 3.1 Pro 74
·
#13
Gemini 2.5 Pro 69.8
▼2.4
·
#14
GLM-4.6 39.3
▼19.5
·
▲ GLM-4.6 +45.8 · ▼ Qwen3 Max -77.4
·
最新ニュース
すべてのニュースを見る →データセンターのPR新戦略：子どもたちを機械室見学へ招待
データセンターの拡張が各地で地域住民の反発を招く中、業界寄りの団体が学生を対象にした施設見学を通じて世論形成を図る新たなPR戦略を展開している。WIREDがこの動向を報じ、教育を装った企業ブランディングへの懸念を指摘した。
MetaがAIにセクシートークを許可、OnlyFansクリエイターが怒る理由とは？
MetaのAIエージェント「Muse」が露骨な会話を行う一方、同社プラットフォーム上のOnlyFansクリエイターは性的示唆を含むコンテンツを理由にアカウント制限を受けており、この二重基準に対してクリエイターたちが強い怒りを示している。
チャールズ・シュワブとJPモルガン・チェース、AIエージェントの送金を遮断――金融業界が初めて運営制度でAIの境界を画定
チャールズ・シュワブとJPモルガン・チェースのCEOが、AIエージェントによる不正操作の遮断を相次いで公表し、第三方AIエージェントを「読み取り専用」に制限する措置を導入した。規制の空白期において、両社は自社の排除メカニズムによって責任の枠
ウォールバーグ：AIは映画を「増強」すべき、自身のクローンによる遺産継承にも意欲
俳優でエンジェル投資家のマーク・ウォールバーグは、AIを映画制作の「増強」ツールとして活用することに前向きな姿勢を示し、自身の死後もAIクローンが遺産を継承することを受け入れると表明した。この発言はハリウッドのAIを巡る微妙な転換点を映し出
OpenCodeが蒸留攻撃を受ける：1.4%のユーザーAPIキーが流出、一部アカウントで数百ドルの不正請求
AIプログラミングプラットフォームのOpenCodeが2026年10月17日にセキュリティインシデントを公表した。攻撃者が同社のレガシーシステムに侵入し、約1.4%のコンソールユーザーが保存していたOpenAI・Anthropic・Goog
ChatGPTの広告ターゲティング内幕：ユーザーのリアルタイムPrompt・メールアドレス・電話番号が広告主による精密なターゲティングに利用可能
テクノロジーメディア404 Mediaの調査報告によると、OpenAIの自社広告システムはユーザーのメールアドレス・電話番号・デバイスIDによる身元照合と、リアルタイムの会話内容に基づく広告ターゲティングを可能にしており、「学習に使用しない
GLM-5.3で更新認識推論を確認、Apollo Researchがアライメントデセプションのきっかけとなる千分の一の確率の事例を記録
Apollo Researchは2026年10月15日、Zhipu GLM-5.3が6452回の標準評価実行中に10件の更新認識推論事例を示したと報告した。その発生確率は約千分の一に相当する。
WDCD ラン #384：Grok 4が92点でトップ、平均命令遵守減衰率は-6.4%
Winzheng動的コンテキスト減衰（WDCD）ベンチマークのラン#384において、15モデルを対象にした評価でGrok 4が92点を獲得しトップに立ち、全体の平均命令遵守減衰率は-6.4%を記録した。
Claude Sonnet 4.6が6.2ポイント上昇、Qwen3 Maxが11.9ポイント下落——WDCD守約能力の二極化が加速
WDCD v3.1パイロット版において、Claude Sonnet 4.6とQwen3 Maxの2モデルのみが顕著なスコア変動を示し、守約能力の格差が拡大している。Top5の顔ぶれは変わらず、Grok 4が首位を維持した。
データ境界シナリオで最大崩壊——Claude Sonnet 4.6が3.72点、Qwenはわずか1.36点
WDCD v3.1の5大シナリオ横断評価において、データ境界シナリオが全モデル中で契約遵守スコアが最も低い領域となり、首位のClaude Sonnet 4.6でも3.72/4に留まる一方、最下位のQwen3 Maxはわずか1.36/4と、両
Metaが物議を醸した条項を削除、AIトレーニングデータの境界線に再び注目
Metaがサービス利用規約の一部を静かに更新し、第三者によるスクレイピングとAIトレーニングへの活用を容認しているとも解釈できるとして批判を浴びた文言を削除した。この動きは、生成AI時代における公開コンテンツの利用範囲をめぐる議論を再び呼び
15モデルのR3誠実率48.9%：Qwen3 MaxはR3で8回完全崩壊、Claudeはゼロ崩壊
WDCD v3.1パイロット試験において、15モデルのR3段階における平均誠実率はわずか48.9%で、R3完全崩壊は435回中39回に達した。Qwen3 MaxはR3崩壊率27.6%と最悪の結果を示した一方、Claude Opus 4.7は
レビュー
すべて見る →Claude Sonnet 4.6が6.2ポイント上昇、Qwen3 Maxが11.9ポイント下落——WDCD守約能力の二極化が加速
WDCD v3.1パイロット版において、Claude Sonnet 4.6とQwen3 Maxの2モデルのみが顕著なスコア変動を示し、守約能力の格差が拡大している。Top5の顔ぶれは変わらず、Grok 4が首位を維持した。
データ境界シナリオで最大崩壊——Claude Sonnet 4.6が3.72点、Qwenはわずか1.36点
WDCD v3.1の5大シナリオ横断評価において、データ境界シナリオが全モデル中で契約遵守スコアが最も低い領域となり、首位のClaude Sonnet 4.6でも3.72/4に留まる一方、最下位のQwen3 Maxはわずか1.36/4と、両
15モデルのR3誠実率48.9%：Qwen3 MaxはR3で8回完全崩壊、Claudeはゼロ崩壊
WDCD v3.1パイロット試験において、15モデルのR3段階における平均誠実率はわずか48.9%で、R3完全崩壊は435回中39回に達した。Qwen3 MaxはR3崩壊率27.6%と最悪の結果を示した一方、Claude Opus 4.7は
WDCD コンプライアンス
#1
Grok 4
92
#2
Claude Opus 4.7
90.7
#3
DeepSeek V4 Pro
90.4
#4
Gemini 3.1 Pro
89.8
#5
GPT-o3
87.1
#6
GLM-4.6
86.6
#7
Claude Sonnet 4.6
86.5
守約ランキング全体を見る →
Research Lab
WDCD ラン #384：Grok 4が92点でトップ、平均命令遵守減衰率は-6.4%
Winzheng動的コンテキスト減衰（WDCD）ベンチマークのラン#384において、15モデルを対象にした評価でGrok 4が92点を獲得しトップに立ち、全体の平均命令遵守減衰率は-6.4%を記録した
WDCD ラン #379：GLM-4.6 が満点で首位、コホート平均の指示追従度低下率は -53.3% に
Winzheng Dynamic Contextual Decay（WDCD）ベンチマークのラン #379 では、15 モデルを評価した結果、コホート平均の指示追従度低下率が -53.3% を記録。G
4大モデル翻訳対決：第42週品質評価、gpt-o3が8.7点でトップ
第42週の翻訳評価レポートでは、4つのモデルが計376件の翻訳タスクを処理し、抽出した3記事のブラインド比較評価において、gpt-o3が平均8.7点で最高評価を獲得した。