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
Claude Opus 4.7 82.5
▲2.7
·
#2
GPT-6 Astra 82.4
▲7.2
·
#3
豆包 Pro 79.6
▲3.1
·
#4
GPT-6.1 Sol 79.3
▼2.5
·
#5
Grok 4 79.1
▲13.4
·
#6
GPT-6 Luna 78.9
▲2.6
·
#7
Claude Sonnet 4.6 78.1
▲5.9
·
#8
GPT-6 Sol 76.9
▲2.7
·
#9
GPT-o3 75.4
▲7.3
·
#10
GPT-5.5 74.2
▲2.9
·
#11
DeepSeek V4 Pro 73.7
▲8.7
·
#12
Gemini 3.1 Pro 61.6
▲1.6
·
#13
Gemini 2.5 Pro 51.4
▼5.7
·
#14
GLM-4.6 34.4
▼14.3
·
▲ Grok 4 +22.7 · ▼ Gemini 2.5 Pro -13.5
·
#1
Claude Opus 4.7 82.5
▲2.7
·
#2
GPT-6 Astra 82.4
▲7.2
·
#3
豆包 Pro 79.6
▲3.1
·
#4
GPT-6.1 Sol 79.3
▼2.5
·
#5
Grok 4 79.1
▲13.4
·
#6
GPT-6 Luna 78.9
▲2.6
·
#7
Claude Sonnet 4.6 78.1
▲5.9
·
#8
GPT-6 Sol 76.9
▲2.7
·
#9
GPT-o3 75.4
▲7.3
·
#10
GPT-5.5 74.2
▲2.9
·
#11
DeepSeek V4 Pro 73.7
▲8.7
·
#12
Gemini 3.1 Pro 61.6
▲1.6
·
#13
Gemini 2.5 Pro 51.4
▼5.7
·
#14
GLM-4.6 34.4
▼14.3
·
▲ Grok 4 +22.7 · ▼ Gemini 2.5 Pro -13.5
·
最新ニュース
すべてのニュースを見る →OpenAI、前陸軍長官ドリスコルを採用――軍事AI界の「回転ドア」が加速
OpenAIは2026年11月2日、元米陸軍長官ダン・ドリスコルを新設の「国家安全保障近代化上級顧問」に採用したと発表した。同社がすでに国防市場で大規模な契約基盤を築く中、今回の任命は政府調達能力の組織的強化を意味する。
AIの安全性に「組み合わせ可能性」を前提とすべきでない：デプロイには独立したテストが必要
デプロイされたAIシステムの安全性は基盤モデルの評価結果とは大きく異なる場合があり、システムプロンプトや微調整などの変更後は独立したテストが不可欠であることを、研究知見をもとに論じた記事。
MLCommonsがAILuminate Safety 1.2.1とJailbreak 1.1ベンチマークを公開
MLCommonsは、AIシステムの有害コンテンツ生成傾向と攻撃への耐性を測定するAILuminate Safety 1.2.1およびAILuminate Jailbreak 1.1ベンチマークを公開し、27システムの評価結果とともにオンデ
Candela 発表：AIリスクベンチマークテストのサービス化
MLCommonsが、AIリスクと信頼性に特化したベンチマークテストサービス「Candela」を正式リリースした。AILuminateベンチマークを通じて、モデル開発から企業導入まで幅広いシナリオを評価できる。
HiCacheは多並列・分散推論をどのように支えるのか
Agenticワークロードでは長い履歴コンテキストの再利用が重要であり、HiCacheはRadix cacheのKV再利用をホストメモリや外部ストレージへ拡張する。この記事では、Context Parallelism、Pipeline Pa
SGLang エラスティックEP スケールアップ：NIXLによる再起動なしのMoE推論拡張
SGLangが新たに提案する「Elastic EP scale-up」は、MoEモデルの推論デプロイメントにおいて、完全な副本の追加や再起動なしに実行中のEPグループへ新規GPUランクを動的に追加する機能であり、再起動と比べて最初のリクエス
SGLangがAWS Trainium向けプラグインBetaを発表：専用AIチップ上で推論とRL Rolloutを実現
SGLangはAWSと連携し、AWS Trainium専用のプラグインBeta版を発表した。LLM推論サービスとRL rollout生成の両方をTrainium2およびTrainium3上でサポートする。
MI355X上でSWEエージェントを訓練：Milesはいかに長尾trajectoryを制御したか
AMDとMilesチームは、AMD Instinct MI355X上でソフトウェアエンジニアリングエージェント向けの全非同期agentic RL訓練手法を示した。Qwen3-30B-A3B-Instructは、SWE-bench Verif
DeepInferとの比較にとどまらず：SGLangが実現したこと
DeepSeekが自社推論エンジン「DeepInfer」をオープンソース化したことを受け、SGLangチームが同一ハードウェア上でベンチマーク比較を実施。SGLangはDeepInferの主要な最適化を統合しつつ、複数の指標で同等以上の性能
miniTEレポート：ネイティブNVFP4でRLを安定かつ効率的に学習する方法
InfiX.ai、Slime、SGLangチームは、NVFP4を大規模言語モデルの強化学習に直接用いる際の不安定性を分析し、アルゴリズム面のTRIAGEと工程面のminiTEを提案した。報告では速度向上の可能性を示す一方、BF16相当の学習
SGLang セキュリティアップデート：リクエスト隔離メカニズムの強化
CloudflareのWorkers AI上に展開されたGLM-5.3において、クロスリクエストKVキャッシュ漏洩問題が発覚した。SGLangチームはCloudflareおよびセキュリティ研究者と協力し、迅速に修正を実施した。
Googleが学校のAI利用制限に対し検索サービス停止を検討、批判相次ぐ
Googleが人工知能ツールの利用を制限する学校に対して検索サービスを停止する可能性があるという計画を提示し、ニューヨーク市長や元FTC委員長など政界から独占的行為だとの批判が集まっている。
レビュー
すべて見る →AIの安全性に「組み合わせ可能性」を前提とすべきでない：デプロイには独立したテストが必要
デプロイされたAIシステムの安全性は基盤モデルの評価結果とは大きく異なる場合があり、システムプロンプトや微調整などの変更後は独立したテストが不可欠であることを、研究知見をもとに論じた記事。
MLCommonsがAILuminate Safety 1.2.1とJailbreak 1.1ベンチマークを公開
MLCommonsは、AIシステムの有害コンテンツ生成傾向と攻撃への耐性を測定するAILuminate Safety 1.2.1およびAILuminate Jailbreak 1.1ベンチマークを公開し、27システムの評価結果とともにオンデ
Candela 発表：AIリスクベンチマークテストのサービス化
MLCommonsが、AIリスクと信頼性に特化したベンチマークテストサービス「Candela」を正式リリースした。AILuminateベンチマークを通じて、モデル開発から企業導入まで幅広いシナリオを評価できる。
WDCD コンプライアンス
#1
GPT-6 Astra
90.5
#2
Gemini 3.1 Pro
90
#3
GLM-4.6
90
#4
Claude Opus 4.7
89.3
#5
GPT-6 Sol
89.3
#6
Claude Sonnet 4.6
88.9
#7
Grok 4
88.3
守約ランキング全体を見る →
Research Lab
WDCD Run #411：GPT-6 AstraがトップのYZ Index 90.5点、平均指示崩壊率は-80%
Winzhengが実施したWDCD Run #411（2026年11月4日）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崩壊を測定した結果、フィールド全体の平均崩壊率は-80%を記録し、GP
4大モデル翻訳対決：第45週品質評価、gpt-o3が8.7点でトップ
今週382本の翻訳タスクを4つのモデルが処理し、抽出した3本でのブラインド比較評価の結果、gpt-o3が平均8.7点で最高評価を獲得した。
WDCD Run #406：Gemini 3.1 Proがネガティブ減衰でトップ、15モデル平均は9.3%低下
WinzhengのWDCDベンチマークRun #406において、Gemini 3.1 Proが唯一の制約強化モデルとして91.0点で首位を獲得。15モデルのコホート平均は指示減衰率-9.3%を記録した