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 →ロボットが路上に出る前にレッドチームテストを実施——すでに黒字化したこの企業
Laplace Intelligenceは、ロボットや自動運転車などの実世界への展開前に、AIエージェントとインタラクティブシミュレーションを用いた系統的な安全検証を行うスタートアップで、すでに黒字化を達成している。同社はTechCrunc
AIによるゲームクローン氾濫、インディー開発者が作品を公開できない状況に
インディーゲーム開発者がAIによるクローンを恐れて作品の公開を避ける状況が広がっており、Steam Next Festの演示を延期する事例も報告されている。既存の著作権制度やプラットフォームの対応が追いつかず、インディーゲーム文化の根幹を揺
「私たちはずっと見当違いの方向を見ていた」：2万6000字の長文がAI業界に衝撃
AIスタートアップGoodfireの研究員ニック・カマラータが公開した2万6000字の論考が、ニューラルネットワークの解釈可能性に関する根本的な問いを提起し、AI研究コミュニティに大きな波紋を広げている。
ディズニーがCharacter.AIを買収、しかし訴訟は外に残す
ディズニーはCharacter.AIの技術・モデル・知的財産・コアチームを買収する契約を締結したが、未成年者への危害を訴える複数の訴訟を抱える法人エンティティ自体は取得しない構造を選択した。この「資産買収」という手法が、AI業界における新た
NVIDIAがオープンモデルを発表：企業データセンターとPC向けエージェントの二正面展開
NVIDIAは企業の自社データセンターでのAIエージェント駆動とPC上でのローカルプライベートエージェント実行を主眼とした新たなオープンモデル群を発表した。これはモデルの普及を通じて推論向け算力需要を喚起し、自社ハードウェアの需要拡大につな
WhatsAppのヘルプページからMetaのチャットボット隠し指令が流出
WhatsAppの公開ヘルプページ約80件に、チャットボット向けの内部システムプロンプトが誤って掲載されていたことが判明した。Metaはバグによるものとして対処済みと説明している。
広告とトラッキングにうんざり、人々はAIを使ってスマートTVを「バカなTV」に戻す
スマートTVの起動時広告や行動追跡に嫌気が差したユーザーが、AIエージェントを活用してプリインストールアプリの削除や広告無効化を行い、メーカーのシステムから主導権を取り戻す動きが広がっている。
AIエージェントが100社以上の企業に完全自動侵入、ハッカーのコストはわずか5,000ドル
中国語話者のハッカーがDeepSeekとAnthropic Claude Codeで構成したAIエージェント群を使用し、1,200以上のウェブサイトへの侵入を試み、Deere・SharkNinja・Cumminsを含む100社以上の企業への
北極永久凍土の防衛戦とAIエージェントの「遊び」への進化
北極の永久凍土に眠る巨大な炭素リスクと、「自動化ツール」から「遊び仲間」へと進化するAIエージェントの最新動向を、MITテクノロジーレビューの選りすぐりの記事から紹介する。
WorldがAgentKit Betaを発表、AI代理エージェントがWorld IDの委任を受けて金融取引を実行
Sam AltmanのWorldプロジェクトが金融機関向け専用版をMoney20/20カンファレンスで発表し、コア機能AgentKit BetaによりユーザーはWorld IDの暗号証明をAIエージェントに委任してコンプライアンス準拠の取引
GoogleがHarness²をオープンソース化：エージェント自動リライトスキャフォールド、モデルの重み変更なしで最大11.8ポイントのベンチマーク向上を実現
Google Cloud AI Researchは、モデルの重みを変更せずにAIエージェントの「スキャフォールド」を自動最適化するフレームワーク「Harness²」をArXivで発表し、同時にオープンソースとして公開した。法律エージェントベ
Stripeデータ：AIエージェントの9月決済件数が38倍に急増、しかし金融機関による遮断と責任の空白が同時進行
2026年9月、StripeのLink決済サービスにおけるAIエージェント主導の取引件数が前月比38倍に急増した一方、Charles SchwabとJPモルガン・チェースが未承認AIエージェントによる顧客口座へのアクセスを遮断すると相次いで
レビュー
すべて見る →GLM-4.6、材料制約スコアが30.2点急落、コード実行は22点上昇
GLM-4.6の本日のSmokeベンチマークにおいて、材料制約スコアが80.20点から50.00点へ30.2点急落した一方、コード実行スコアは25.00点から47.00点へ22点上昇した。主要ランキングスコアは49.84点から48.35点へ
DeepSeek V4 Pro、メインランキングで18.6ポイント下落――材料制約が単日27.6ポイント減で最大の押し下げ要因に
DeepSeek V4 ProはSmoke評価の本日分でメインランキングスコアが68.16点から49.52点へ18.6ポイント下落した。材料制約ディメンションが単日27.6ポイント減と最大の下落幅を記録し、主な押し下げ要因となった。
GPT-5.5が93.54点で首位：2026-10-19 YZ Index Smoke速報データブリーフィング
2026年10月19日実施のYZ Index Smoke速測（14モデル対象）において、GPT-5.5が主榜93.54点で当日首位を獲得。SmokテストはFull週次ランキングとは異なる短期モニタリング用シグナルである。
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
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
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