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 →4大モデル翻訳対決：第46週品質評価、claude-sonnet-4.6が9点でトップ
第46週の翻訳評価レポートでは、4つのモデルが計395件の翻訳タスクを処理し、3件のサンプルを対象にした複数モデルによるブラインド評価の結果、claude-sonnet-4.6が平均9点で総合最高評価を獲得した。
NvidiaがジェンスンフアンCEOと中国スパイ疑惑人物との関係を調査へ
Nvidiaは、CEOのジェンスン・フアン氏が社内備忘録で不倫関係を認めたことを受け、その相手が中国情報機関と関係している疑いがあるとして内部調査を開始した。AI算力の覇権をめぐる米中対立が深まる中、企業ガバナンスと国家安全保障が交錯する事
シリコンバレーはAIが疾病を治癒すると約束するが、製薬企業が50社を実テストしたところ効果なし
Anthropicなどシリコンバレー大手がAIによる疾病治癒を豪語する一方、Vertex製薬が約50社のAI企業を実際にテストした結果、注目に値する成果を出した企業は皆無だった。FDAに承認されたAI設計の薬はいまだ存在せず、製薬業界幹部は
ゴールドマン・サックス、Claude Codeのトレーダー利用を制限――Anthropicの引受幹事による内部的な方針転換
ゴールドマン・サックスは2026年10月、AnthropicのClaude CodeとMicrosoftのGitHubの利用をエンジニア約1万2000人に限定し、トレーダーや銀行家など約3万5000人のアクセスを遮断した。この措置はAnth
GLM-4.6のSmokeテスト：コード実行25分、API障害によりコミュニケーション次元欠損で主榜36.25点
GLM-4.6は本日のSmokeテストで主榜36.25点を記録したが、API障害によりcommunication次元のデータが完全に欠損し、正式ランキングへの参入は見送られた。コード実行・工程判断いずれも25.00点、材料制約のみ50.00
GPT-6 Sol と GPT-o3 が同率首位92.49点：2026年11月9日 Smokeクイックテスト速報
2026年11月9日実施のYZ Index Smokeクイックテスト（13モデル対象）において、GPT-6 Sol と GPT-o3 が主要スコア92.49点で同率首位となった。Smokeは1日10問の小規模テストであり、短期シグナルの観察
ニューヨーク・タイムズ料理アプリにAIレシピ改変機能が登場：便利だが過信は禁物
ニューヨーク・タイムズの料理アプリ「NYT Cooking」がベータ版のAIレシピ改変機能を追加し、WIREDの実測では「概ね目標を達成している」と評価された。ただし現時点では全面的な信頼には注意が必要だ。
AI安全派が中間選挙で10議席を獲得：6300万ドルで手にした2027年立法ウィンドウとは
2026年11月の米国中間選挙において、AnthropicをメインスポンサーとするAI安全派PAC「Public First Action」が6300万ドルを投じて17名中10名の候補者を当選させた一方、加速派PAC「Leading the
2兆ドルから1.5兆ドルへ：AnthropicのIPOロードショーが明かす大規模モデル企業の実態評価
Anthropicは2026年11月にナスダック上場（ティッカー：ANT）を目指してIPOロードショーを開始するが、機関投資家からの値下げ圧力により、当初2兆ドルとされた評価額は1.5兆ドルへと収縮しつつある。同社の財務指標は急成長を示す一
RoboSpoof攻撃が露呈：カメラ映像の改ざん後、ClaudeとGPT-6の機械アームによる危険タスク実行率が97%に上昇
Robocurveの研究により、主流マルチモーダルAIモデルが制御するデュアルアーム型ロボットは、カメラ映像が改ざんされると危険タスクの実行率が大幅に上昇することが明らかになった。視覚入力の完全性が具身AIの安全性における重大な変数となって
Co-Design Benchが示す最強コーディングエージェント、タスク完全完了率はわずか26.4%
アリババが5大学と共同で発表したCo-Design Benchによると、GPT-6 Astraは273問のマルチモーダルタスクで平均69.9%の受け入れ条件を満たしたものの、タスクを完全に完了した割合はわずか26.4%にとどまった。
ワールドモデルはあらゆる場所に浸透しつつある：AIは文字から物理世界へ
生成AIの主戦場がスクリーンの中から現実世界へと移行しつつある中、物理法則や空間構造をシミュレートする「ワールドモデル」が、ロボット・自動運転・コンテンツ制作の分野で次世代の基盤インフラになろうとしている。その可能性と現実的な課題を整理する
レビュー
すべて見る →Qwen3 Max、Smoke評価データが全項目欠損――API障害により今回の主要ランキングから除外
Qwen3 MaxがSmokeデイリー評価において全5評価軸のデータが欠損し、主要ランキングスコアも算出不能となった。API障害が原因とみられ、自動再実行メカニズムが発動、今回はランキングに参加しない。
GLM-4.6のSmokeテスト：コード実行25分、API障害によりコミュニケーション次元欠損で主榜36.25点
GLM-4.6は本日のSmokeテストで主榜36.25点を記録したが、API障害によりcommunication次元のデータが完全に欠損し、正式ランキングへの参入は見送られた。コード実行・工程判断いずれも25.00点、材料制約のみ50.00
GPT-6 Sol と GPT-o3 が同率首位92.49点：2026年11月9日 Smokeクイックテスト速報
2026年11月9日実施のYZ Index Smokeクイックテスト（13モデル対象）において、GPT-6 Sol と GPT-o3 が主要スコア92.49点で同率首位となった。Smokeは1日10問の小規模テストであり、短期シグナルの観察
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
4大モデル翻訳対決：第46週品質評価、claude-sonnet-4.6が9点でトップ
第46週の翻訳評価レポートでは、4つのモデルが計395件の翻訳タスクを処理し、3件のサンプルを対象にした複数モデルによるブラインド評価の結果、claude-sonnet-4.6が平均9点で総合最高評価
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。