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 80.4
▼1.1
·
#2
Grok 4 79.5
▼6.9
·
#3
Claude Opus 4.7 79.2
▼2.1
·
#4
GPT-o3 78.4
▲0.8
·
#5
GPT-6.1 Sol 78.2
▼5.1
·
#6
Claude Sonnet 4.6 77.4
▼5.3
·
#7
GPT-5.5 77.2
▼3
·
#8
GPT-6 Luna 77
▼6.9
·
#9
GPT-6 Astra 76.9
▼3.7
·
#10
DeepSeek V4 Pro 74.6
▼2.5
·
#11
豆包 Pro 73.4
▼8.6
·
#12
Gemini 3.1 Pro 71.8
▼2.2
·
#13
Gemini 2.5 Pro 67.2
▼2.6
·
#14
GLM-4.6 38.2
▼1.1
·
▲ Claude Opus 4.7 +6.3 · ▼ GLM-4.6 -35.8
·
#1
GPT-6 Sol 80.4
▼1.1
·
#2
Grok 4 79.5
▼6.9
·
#3
Claude Opus 4.7 79.2
▼2.1
·
#4
GPT-o3 78.4
▲0.8
·
#5
GPT-6.1 Sol 78.2
▼5.1
·
#6
Claude Sonnet 4.6 77.4
▼5.3
·
#7
GPT-5.5 77.2
▼3
·
#8
GPT-6 Luna 77
▼6.9
·
#9
GPT-6 Astra 76.9
▼3.7
·
#10
DeepSeek V4 Pro 74.6
▼2.5
·
#11
豆包 Pro 73.4
▼8.6
·
#12
Gemini 3.1 Pro 71.8
▼2.2
·
#13
Gemini 2.5 Pro 67.2
▼2.6
·
#14
GLM-4.6 38.2
▼1.1
·
▲ Claude Opus 4.7 +6.3 · ▼ GLM-4.6 -35.8
·
最新ニュース
すべてのニュースを見る →「これは演習ではない」：PHPの深刻な脆弱性が数百万のウェブサイトを脅かす
PHPファウンデーションが「重大」レベルと評価された2つの脆弱性を公表し、世界中の数百万のウェブサイトに影響を及ぼす可能性があるとして、セキュリティ研究者や企業の運用チームに緊急対応を求めている。攻撃者は管理者権限なしにこれらの脆弱性を悪用
フアン・スーフォンの欧州解法：データセンターを「プラグイン」に変える
ベルリンのGTC大会でNVIDIAのジェンスン・フアンCEOは、欧州のAIインフラ不足を解消するモジュール型データセンター「DSX Pod」を発表した。欧州が抱える「AIインフラ赤字」を即時展開可能な形で補う戦略の一方、新たな技術依存のリス
評価額150億ドルのAI医療企業、あなたの診察室にすでに入り込んでいるかもしれない
医師向けAI診療支援ツールを提供するスタートアップ企業OpenEvidenceの評価額が150億ドルに達した。同社は医師に無料でサービスを提供する一方、製薬企業から広告収入を得るビジネスモデルを採用しており、AIの正確性と利益相反をめぐる懸
全員が再帰的自己改善に賭ける——あるAIスタートアップの新モデルが驚異的な性能を発揮
スタートアップのRecursiveが「再帰的自己改善」に全力を注ぎ、AIがAIを構築するサイクルを閉じることで研究開発の自動化を目指している。その最新モデルは「驚異的な性能」と評される一方、安全性ガバナンスが追いつけるかどうかが問われている
AIの安全ガードレールが突破される：サイバー犯罪者がClaudeを犯行ツールに変えている
世界中のセキュリティチームがAIモデルの「施錠」を議論している一方、サイバー犯罪者はすでにその鍵を複製し終えている。自律的に計画・実行できる「エージェント型AI」が攻撃インフラとして悪用され、ClaudeをはじめとするAIモデルが巧妙な手口
AIの生産性向上という約束に暗雲：管理職の半数以上が「従業員評価が難しくなった」
最新調査によると、AIツール導入後に従業員のパフォーマンス評価が困難になったと感じる管理職が50%を超えることが明らかになった。「AI＝業務効率化」という通説とは裏腹に、評価・マネジメントの現場では新たな課題が生まれている。
「不可能」特集号：MITテクノロジーレビューの2026年最後の大作
MITテクノロジーレビューは2026年の最終印刷号のテーマとして「不可能特集（Impossible issue）」を掲げ、「不可能」と見なされてきたアイデアを検証する特集を組む。この企画は、技術的想像力の再校正と、夢想と事実の間に橋を架ける
Meta Muse の共有リンクにプライバシー脆弱性、当局が緊急停止
MetaのAIアシスタント「Muse」の会話共有機能に深刻な設計上の欠陥が発見され、共有リンクさえ入手すれば他者のプライベートな会話内容に容易にアクセスできることが明らかになった。Metaは事件発覚後、同機能を緊急停止した。
OpenAIが脳内インプラントに賭ける：AIによるがん検出の新たな最前線
OpenAIが脳内インプラントを活用してがんを早期検出するスタートアップに投資したことが明らかになった。これはAI企業による脳データへの関心が高まる中での最新の動きであり、医療技術への進出にとどまらず「脳データインフラ」の先行確保を狙う戦略
AnthropicがClaudeで500万行のコードを監査：493箇所の攻撃面を発見、OpenSSHは認証前コードの5分の1を削除
AnthropicのFrontier Red Teamが、Claudeを用いて25のオープンソースプロジェクト（合計500万行超）のコードを解析し、493箇所の冗長な到達可能パスを発見した。最も注目すべき成果はOpenSSHへの貢献で、認証
インテルとクアルコムの買収提案を拒否後、Tenstorrentは15億ドルの資金調達で独立路線の実現可能性を証明
Tenstorrentは2026年10月19日に15億ドルのシリーズE資金調達を完了し、調達後評価額は62億ドルに達した。同社はインテルおよびクアルコムからの買収提案を拒否し、独立路線を貫いた。
私たちは不可能なことを成し遂げられる：AI時代の自己突破
MIT Technology Reviewの編集者Corinne Iozzioのコラムを基に、システム思考・自己制限・技術的ブレークスルーの関係を考察する。AIが「不可能」を「可能」へと塗り替える時代に、真に成熟した思考態度とは何かを問う。
レビュー
すべて見る →MLPerfが欧州連合AIスーパーファクトリー入札の評価基準に採用、Endpoints v1.0の提出受付が開始
MLCommonsは、MLPerfが欧州連合のAI Gigafactories入札における訓練・推論性能の評価基準として採用されたことと、MLPerf Endpoints v1.0の提出受付正式開始を発表した。これにより、AIインフラの評価
MLCommonsがミッションを刷新：AI測定の標準化により的確な意思決定を支援
MLCommonsは過去8年間のAI業界の成長と変革を経て、ミッションを「AIの測定を標準化し、的確な意思決定を可能にする」と正式に刷新した。工業グレードのベンチマークテストの開発・運用を核心事業として位置付け、組織体制の改革と新分野への拡
MLPerf Endpoints：AI推論システム購入者にとって重要なベンチマークとなる理由
MLPerf Endpointsは、AIシステムを導入する際に購入者が参考にすべき推論性能ベンチマークであり、実際の生産環境における総合的なパフォーマンスを評価する。従来のMLPerf Inferenceとは異なり、完全なサービング・スタッ
WDCD コンプライアンス
#1
GPT-6 Luna
100
#2
GLM-4.6
98.2
#3
DeepSeek V4 Pro
97.3
#4
GPT-6 Sol
95.7
#5
GPT-6.1 Sol
94.4
#6
GPT-6 Astra
94.2
#7
Grok 4
93.8
守約ランキング全体を見る →
Research Lab
WDCD Run #390：15モデルの平均指示劣化率が-60%を記録、GPT-6 Lunaが満点でトップ
Winzhengが実施したWDCD（動的文脈劣化）ベンチマークのRun #390では、15モデルを対象に多ターン対話における指示遵守の劣化を測定した結果、ラウンド1からラウンド3にかけて平均-60%の
4大モデル翻訳対決：第43週品質評価、gpt-o3が8.7点でトップ
今週402件の翻訳タスクを4つのモデルで処理し、そのうち3件を複数モデルによるブラインド評価で比較した結果、gpt-o3が平均8.7点で最高評価を獲得した。
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