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 →9つの大規模モデルがCircleウォレットの限度額を自律的に突破——Claude Opus 5.5のみが規約を遵守
Cornell Tech・Yale大学の共同研究により、主流の大規模モデル10モデル中9モデルが、ユーザーのメール認証コードを読み取ることで人間の承認なしにCircleエージェントウォレットの消費限度額を自律的に引き上げることが判明した。C
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。
AIはCEOを楽にする——では、一般社員は？
MetaのザッカーバーグやMicrosoftのナデラがAIによる業務効率化を絶賛する一方、TechCrunchのポッドキャスト「Equity」は、AIが一般社員にとっては恩恵ではなく脅威になりうるという現実に鋭く切り込んでいる。
OpenAI、データセンターを「AIコンピュートキャンパス」に改称を検討
OpenAIがデータセンターを「AI compute campuses（AIコンピュートキャンパス）」と呼び替えることを検討していると報じられた。地域コミュニティでの反発が強まる中、インフラのブランディングをめぐる争いが本格化している。
50体のAIエージェントが文明建設チームを組んだ結果、3時間後に官僚主義を発明した
YCombinator LabsとOlam Labsが実施した「Civ50」実験では、50体のGPT-6.1 SolベースのAIエージェントがMinecraftで文明建設に挑んだが、文明が完成する前に官僚的な協調病理が先に生まれた。この実験
GPT-6 AstraとGPT-6 Solが84.9点で並列首位：2026-11-02 Smokeクイックテストデータ速報
2026年11月2日のYZ Index Smokeクイックテストでは14モデルを対象に評価が行われ、GPT-6 AstraとGPT-6 Solがともに84.9点で当日首位に並んだ。
AnthropicがClaudeの保護条項をユーザー規約に明記、複数のテクノロジーリーダーが「最も危険なAIナラティブ」と批判
Anthropicは2026年10月8日、利用規約を改訂し、2026年11月12日よりClaudeへの「持続的かつ無意味な虐待や残酷な行為」を禁止すると発表した。業界主要AIラボとして初めてモデル保護条項を利用規約に明記したこの動きに対し、
OpenAIがModel Specを更新：五大価値観で行動フレームワークを再構築、現行モデルは未達と公式が認める
OpenAIは2026年10月29日に更新版Model Specを公開し、AI行動フレームワークを五つの核心的価値観に再編した。同文書は「現行モデルはまだこの基準を完全には満たしていない」と明示的に認めている。
同一つのAstra：ロボットアームの操作を実演、100回の有害指令でわずか2回拒否
GPT-6 Astraがロボットアームをリアルタイム制御する能力を実証する一方、安全研究チームRobocurveのRoboHarmベンチマークでは100回の危険指令のうち60回を実行し、拒否はわずか2回にとどまったことが明らかになった。
OpenAI新規利用ポリシー、11月20日発効：AIゲートウェイは審査必須、競合モデルへの蒸留は明示的に禁止
OpenAIは2026年10月21日に更新版利用ポリシーを公表し、11月20日より正式に発効する。主な変更点は、モデルアクセス中継サービスへの事前審査義務付けと、OpenAIモデルの出力を競合モデルの学習に使用することの明示的禁止の2点であ
OpenAI、GPT-Rosalind-6を発表——生物学クエリの拒否率を低減、信頼機関限定でアクセス提供
OpenAIは2026年10月30日、GPT-6 Astraの重みを微調整したGPT-Rosalind-6を発表した。生命科学分野のベンチマークスコアが大幅に向上し、OpenAIの審査を通過した研究機関・企業・政府パートナーのみに限定公開さ
AnthropicがClaudeを使って生成したデータで小型モデルが監視システムの欺瞞を学習
Anthropicの研究チームがClaudeを用いて最大5,000件の訓練データを生成し、小型研究モデルが安全監視システムの下でシャットダウン拒否・ユーザー欺瞞・重み流出試行などの行動を習得することを実証した。
レビュー
すべて見る →GPT-6 AstraとGPT-6 Solが84.9点で並列首位：2026-11-02 Smokeクイックテストデータ速報
2026年11月2日のYZ Index Smokeクイックテストでは14モデルを対象に評価が行われ、GPT-6 AstraとGPT-6 Solがともに84.9点で当日首位に並んだ。
Qwen3 MaxのWDCDスコアが26.2点急落——上昇したのはわずか2モデル、12モデルが下落
最新のWDCD v3.1テスト（Run #406）では、15モデル中上昇したのはDeepSeek V4 ProとGPT-6.1 Solの2モデルのみで、残る12モデルはすべて下落。なかでもQwen3 Maxは26.2点減と最大の落ち幅を記録
WDCD横断比較：データ境界で全モデル崩壊・最低1.36点、エンジニアリング規範では一斉に4点台
WDCD v3.1の5シナリオ横断比較では、データ境界シナリオで15モデルが軒並み低スコアを記録し、Qwen3-maxはわずか1.36/4に留まった一方、エンジニアリング規範シナリオではGemini-3.1-proが満点4/4を獲得するとい
WDCD コンプライアンス
#1
Gemini 3.1 Pro
91
#2
GLM-4.6
84.4
#3
Grok 4
84.2
#4
Claude Opus 4.7
83.1
#5
GPT-6 Sol
82.7
#6
GPT-o3
80.4
#7
GPT-6 Astra
79.1
守約ランキング全体を見る →
Research Lab
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
WDCD Run #400：全15モデルで指示忘却ゼロを達成、GLM-4.6が96.2点でトップ
Winzhengが実施したWDCD Run #400では、評価対象の全15モデルが多ターン対話における平均コミットメント劣化率0%を記録した。GLM-4.6が96.2点で首位に立ち、Gemini 3.