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 →六项科技承诺的现实检验：愿景很丰满，现实呢？
MIT Technology Review《The Download》以“我们到了吗？”为线索，对六项重大科技承诺做现实检验，从解码宠物叫声到生物技术盲点。文章指出，科技叙事常被演示和愿景驱动，但规模化、监管、数据偏差与可及性才是落地关键。
米国5大銀行が無許可AIエージェントを遮断——顧客口座の資金移動リスクが浮き彫りに
JPモルガン・チェース、モルガン・スタンレー、バンク・オブ・アメリカ、シティグループ、ウェルズ・ファーゴの5行が、無許可のサードパーティAIエージェントによる顧客口座へのアクセスを検知し、アクセス制限措置に乗り出した。一部のエージェントはす
inDriveがPony.ai・NVIDIAと提携、2027年に中央アジアでロボタクシーをテスト
ウーバーのライバルであるカザフスタン発の配車プラットフォームinDriveが、Pony.aiおよびNVIDIAと組み、2027年上半期にアルマティでロボタクシーの実証実験を開始する計画を発表した。中央アジアが自動運転技術のグローバル展開にお
ChatGPT広告、200日未満で年間換算売上高10億ドル突破——広告主は2ヶ月で5倍に
OpenAIは2026年10月21日、ChatGPT広告プラットフォームを89カ国に拡大すると発表し、同日公開された内部データによると、広告事業は200日未満で年間換算売上高（ARR）10億ドルを達成、広告主数も約2万社から10万社超へと約
LiteLLM v1.107.0へのサプライチェーン攻撃が発覚——2度の侵害がメンテナーアカウントのリスクを浮き彫りに
2025年10月21日、LiteLLM v1.107.0の悪意あるパッケージがPyPIに約2時間公開され、OpenAI・Anthropic・AWS・Azure・GCPなど主要AIおよびクラウドサービスの認証情報を窃取するバックドアが仕込まれ
MITが13のAIを仮想の孤島に放置したところ、自らゲームを発明した
MITの研究チームが13のAIエージェントを目標もタスクもない仮想島嶼環境に配置する実験を行い、エージェントたちが自発的にゲームを発明し、社会的行動を示すという予想外の結果が得られた。さらに、その後に与えられた協調タスクでは対照群を上回るパ
AnthropicとTheoremが連携、ClaudeがOSS-Fuzz収録123ライブラリのRISC-Vアセンブリでゼロクラッシュを初めて数学的に証明
AnthropicとTheoremは共同研究を発表し、ClaudeがGoogle OSS-Fuzz収録の123個の実在オープンソースライブラリに対して約1億8000万行のRocq証明コードを生成し、RISC-Vアセンブリレベルで239のエン
OpenAI、1兆2500億ドル評価額で300億ドルの資金調達を計画——IPO前夜の最終スプリント
AIの巨人OpenAIが、投資後評価額1兆2500億ドルとなる300億ドル規模の新たな資金調達を進めていると報じられた。実現すれば、史上最高評価額の未公開企業となり、IPOへの重要な布石となる。
企業AIの次の戦場：モデル選びではなく、フレームワーク構築
モデルの能力が汎用的な調達可能商品になりつつある今、企業間の競争優位を決めるのはモデルの選択ではなく、モデルを取り巻くエンジニアリング基盤の構築力だ。MIT Technology Reviewの論考をもとに、長期的に機能するAIサービング・
Uberが3万人全員にChatGPT Workを展開——先行ユーザーの8割が非技術職という企業AI事例
Uberは2026年10月22日、全世界3万人超の従業員にChatGPT Workを全面展開すると発表した。試験導入段階の先行ユーザーの約80%が非エンジニア職であったことは、企業向けAIツールの普及に関する重要な示唆を与えている。
OpenAI Decisions API、正式一般提供開始——入力課金・150ミリ秒応答でAI意思決定コストを再定義
OpenAIは2026年10月22日、Decisions APIの一般提供（GA）を開始した。このAPIはテキストを生成せず判定結果のみを返す設計で、応答速度は標準Responses APIの約10倍、料金は入力トークン100万件あたり0.
マイクロソフトAIが難症例で医師を上回る——医療超級知能の実現はどこまで近づいたか
マイクロソフトのAI部門責任者がAI診断システムの優位性を強調するなか、『Science』誌に掲載された研究は、性能向上の大部分が医療システム自体ではなく基盤モデルに由来することを示唆しており、医療AIの評価軸と実臨床への適用可能性について
レビュー
すべて見る →GLM-4.6、誠実性評価でfail――YZ Index主要ランキング18.25点、資料制約はわずか10.00点
GLM-4.6はYZ IndexのRun#392スモークテストにおいて主要ランキング18.25点、資料制約10.00点という低スコアを記録し、同日テストされた全モデルの中で唯一、誠実性評価でfailの判定を受けた。
DoubaoProとGPT-6.1 Solが87.27点で同率首位：2026年10月23日 YZ Index Smoke速報データブリーフィング
2026年10月23日のYZ Index Smoke速測では14モデルを対象に評価が行われ、Doubao ProとGPT-6.1 Solが87.27点で同率首位となった。なお、Smokeは1日10問の速測であり、短期的なシグナルの観察に適し
Claude Sonnet 4.6、Smoke評価でメインスコアが16.9点急落——材料制約が1日で30点下落
Claude Sonnet 4.6は本日のSmoke評価においてメインスコアが80.99点から64.13点へと16.9点下落した。主な要因は材料制約ディメンションが88.30点から58.30点へと急落したことにある。
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