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 →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。
英伟达发布开放模型：企业机房与PC端智能体双线出击
英伟达发布一系列新的开放模型，同时瞄准企业数据中心与个人电脑两大场景：前者让企业在自有算力上运行AI智能体，确保数据不出内网；后者推动本地化私有智能体落地。这既是顺应企业自建模型的趋势，也是英伟达在推理时代卡位硬件与软件生态的关键一步。本文
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
MetaがClaudeツールによるNo Kingsアカウント凍結を確認、通常の4倍速でトリガー
Metaは、Claudeベースの自動化ツールがNo Kings CoalitionのInstagramアカウントのアーカイブ・投稿・ハッシュタグを通常の約4倍の速度で大量取得し、セキュリティシステムが作動してアカウントが90分間凍結されたこ
北極が燃えている：科学者たちはいかに永久凍土の炭素貯蔵庫を守るか
気候変動の議論が熱帯雨林や氷河に集中する中、北極圏では野火が数千年にわたり封じ込められてきた永久凍土の炭素を解放しつつあり、科学者たちはこの隠れた危機への対応を急いでいる。
算力はどこまで拡張できるか？──フェインマンのある講演から考える
1959年にリチャード・ファインマンが提唱した「物質の極限まで小さくする」という問いは、現代において「エネルギーと熱の制約の中で、計算をどこまで推し進められるか」という切迫した問いへと変容した。本稿はムーアの法則の限界から量子計算・光子計算
Claude、仮想無人島で30時間の独居：指令なしで「遊び」始めた
MITテクノロジーレビューが報じた実験で、Claude Opus 4.7を仮想無人島に30時間放置したところ、タスクも指令もない状況でAIエージェントが自発的に「遊ぶ」行動を示した。この結果はAIの自律性と安全性に関する新たな議論を呼んでい
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