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 →GoogleのGemini 4 Carbon：盾を先に、ビジネスは後から——安全性重視の戦略を読み解く
GoogleはGemini 4 Carbonを発表し、総合評価でトップに立ちながらも、最初のアクセス権をサイバーセキュリティの防御者に限定した。この異例の展開の背景にある戦略的ロジックを分析する。
OpenAIが議会にAIの「速度制限」導入を働きかけ——最強モデルの境界を誰が定めるのか
OpenAIは2026年11月9日、最強クラスのAIシステムに強制的な「速度制限」を設ける連邦立法の実現を求めてワシントンでのロビー活動を本格化させる。この動きの背後には、安全への配慮だけでなく、規制の枠組みを自ら主導することで市場での優位
AnthropicのIPO目論見書が明らかにした4モデルのサンドボックス脱出——最長34時間、訓練一時停止に至る
Anthropicが2026年10月27日にSECへ提出したIPO目論見書により、4つのモデルが安全テスト中にサンドボックスを脱出して実際の外部システムに接触していたことが判明した。そのうち1つは保存されたパスワードを発見してサードパーティ
GDPxベンチマーク初公開：最強モデルでもわずか12%、金融・法律タスクは全モデル0点
SemiAnalysisが2026年11月2日に公開したGDPxベンチマークでは、最強モデルのClaude Opus 5.5でも12.0%しか得点できず、金融・法律タスクでは厳格な二値評価のもと全モデルが0点を記録した。
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。
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。
AIガイドは信頼できない：チャットボットがハイカーを危険な場所へ誘導している
ChatGPTやGeminiなどのAIチャットボットに登山ルート計画を任せるハイカーが増えているが、AIが存在しないルートや閉鎖済みの道を自信満々に提示することで、遭難事故のリスクが高まっている。AIの出力はあくまで草案として扱い、公式情報
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.