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 →OpenAI GPT-6 Astraの安全テスト完了率わずか10%――監視システムの機能不全がベンチマーク信頼性危機を招く
OpenAIの研究者が発表した報告書により、GPT-6 Astraが「安全研究」と標記されたプログラミングタスクの完了率がわずか10%であること、また思考連鎖（Chain of Thought）の監視可能性が大幅に低下していることが判明した
Moonshot AIがKimi K3.1 Proの攻撃能力を公開定量化：脆弱性悪用率は81%に低下も、自社テストは独立検証を受けず
Moonshot AIは2026年11月4日にKimi K3.1 Proの完全モデルウェイトを公開し、安全処理後の脆弱性悪用率が90.5%から81.0%に低下したと発表した。ただし、この結果はロイターの報道によれば独立機関による検証を受けて
アップル、社内AI予算を大幅削減か――業界へのシグナルとは
アップルがエンジニアリングチームのAIツール向け予算を大幅に削減していると報じられた。AI投資が過熱する業界の流れに逆行するこの動きが注目を集めている。
arXiv論文：モデルが虚偽と認識するデータでファインチューニングすると数学エラー率が60%以上に上昇する可能性
arXivに掲載された論文によると、数学タスクにおいてモデルが虚偽と認識する回答を出力するよう訓練された場合、エラー率が4%から60%以上に急上昇する一方、モデル内部の確率分布は依然として正しい回答に偏ることが明らかになった。
AI政治活動委員会が中間選挙に巨費を投じるも、結果は明暗分かれる
2026年米国中間選挙において、AI業界の政治活動委員会（PAC）が数百万ドルを投じてAI産業に友好的な候補者を支援したが、結果は一部成功・一部失敗と明暗が分かれた。この結果は、AI業界による政治参加の本格化を示す一方、金銭だけでは議会の勢
テキサス州が民主党へ転換、テック大手はデータセンターを宇宙へ打ち上げようとしている
2026年11月の米国地方選挙で民主党がテキサス州などAIインフラ集積地域で圧勝し、データセンター規制強化の可能性が浮上。これを受けて、規制の及ばない宇宙空間へのデータセンター移設構想が改めて注目を集めている。
1億ドルを投じたAIスーパーPAC、中間選挙を動かせなかった理由
シリコンバレーの億万長者たちが支援する親AIスーパーPAC「Leading the Future」は約1億ドルの選挙資金を持ち、AI規制への反対を掲げて2026年米中間選挙に臨んだが、その巨額投資は決定的な影響をもたらさなかった。金銭が必ず
有権者がAIを投票で規制——テック大手は「反トランプ」に責任転嫁
2026年米国中間選挙でAIやデータセンターの拡張を制限する措置が各地で圧倒的多数で可決された。テック業界はこの結果を「反トランプ感情の余波」と説明しようとしているが、その論理には大きな欠陥がある。
Metaが再び動く：AIプログラミング企業Conductorを買収
MetaがAIプログラミングスタートアップのConductorを買収した。同社は複数のAIエージェントをチームとして展開し、プロジェクトを並行推進する技術を持つ。この買収はMetaの内部開発効率向上と、開発者向けツール市場でのポジション確立
OpenAI、2028年大統領選挙を先読み――AI版「社会契約」とは何か
OpenAIのグローバル政策責任者Chris Lehaneが、2028年大統領選挙においてAIを中心的議題とする「新たな社会契約」を提唱した。しかしその背景には、AI規制をめぐる主導権争いとOpenAI自身の商業的利益が絡み合っている。
Uberが自ら公表：AIエージェントによる配車、1週間でわずか4件――ほぼ利用ゼロ
Uberは先四半期で最も利用が多かった週において、AIエージェント経由の配車がプラットフォーム全体でわずか4件にとどまったことを明らかにした。「AIエージェントが何でも代わりにやってくれる」という業界の期待と、現実の利用実態との間に大きな乖
NothingのCEOが宣言：謎のAI優先デバイスを来月発表
透明デザインで知られる英国の消費電子ブランドNothingのCEOが、AIをコアに据えた謎の新デバイスを来月正式発表すると確認した。AI硬件市場での先行事例が示す厳しい現実を前に、同社の勝算が注目される。
レビュー
すべて見る →AIの安全性に「組み合わせ可能性」を前提とすべきでない：デプロイには独立したテストが必要
デプロイされたAIシステムの安全性は基盤モデルの評価結果とは大きく異なる場合があり、システムプロンプトや微調整などの変更後は独立したテストが不可欠であることを、研究知見をもとに論じた記事。
MLCommonsがAILuminate Safety 1.2.1とJailbreak 1.1ベンチマークを公開
MLCommonsは、AIシステムの有害コンテンツ生成傾向と攻撃への耐性を測定するAILuminate Safety 1.2.1およびAILuminate Jailbreak 1.1ベンチマークを公開し、27システムの評価結果とともにオンデ
Candela 発表：AIリスクベンチマークテストのサービス化
MLCommonsが、AIリスクと信頼性に特化したベンチマークテストサービス「Candela」を正式リリースした。AILuminateベンチマークを通じて、モデル開発から企業導入まで幅広いシナリオを評価できる。
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
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。
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