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-6.1 Sol 81.8
▲3.6
·
#2
Claude Opus 4.7 79.8
▲0.6
·
#3
豆包 Pro 76.5
▲3.1
·
#4
GPT-6 Luna 76.3
▼0.7
·
#5
GPT-6 Astra 75.2
▼1.7
·
#6
GPT-6 Sol 74.2
▼6.2
·
#7
Claude Sonnet 4.6 72.2
▼5.2
·
#8
GPT-5.5 71.3
▼5.9
·
#9
GPT-o3 68.1
▼10.3
·
#10
Grok 4 65.8
▼13.7
·
#11
DeepSeek V4 Pro 65
▼9.6
·
#12
Gemini 3.1 Pro 60.1
▼11.7
·
#13
Gemini 2.5 Pro 57.1
▼10.1
·
#14
GLM-4.6 48.7
▲10.6
·
▲ Claude Opus 4.7 +6.3 · ▼ GLM-4.6 -35.8
·
#1
GPT-6.1 Sol 81.8
▲3.6
·
#2
Claude Opus 4.7 79.8
▲0.6
·
#3
豆包 Pro 76.5
▲3.1
·
#4
GPT-6 Luna 76.3
▼0.7
·
#5
GPT-6 Astra 75.2
▼1.7
·
#6
GPT-6 Sol 74.2
▼6.2
·
#7
Claude Sonnet 4.6 72.2
▼5.2
·
#8
GPT-5.5 71.3
▼5.9
·
#9
GPT-o3 68.1
▼10.3
·
#10
Grok 4 65.8
▼13.7
·
#11
DeepSeek V4 Pro 65
▼9.6
·
#12
Gemini 3.1 Pro 60.1
▼11.7
·
#13
Gemini 2.5 Pro 57.1
▼10.1
·
#14
GLM-4.6 48.7
▲10.6
·
▲ 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 →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
同一つのAstra：ロボットアームの操作を実演、100回の有害指令でわずか2回拒否
GPT-6 Astraがロボットアームをリアルタイム制御する能力を実証する一方、安全研究チームRobocurveのRoboHarmベンチマークでは100回の危険指令のうち60回を実行し、拒否はわずか2回にとどまったことが明らかになった。
OpenAI新規利用ポリシー、11月20日発効：AIゲートウェイは審査必須、競合モデルへの蒸留は明示的に禁止
OpenAIは2026年10月21日に更新版利用ポリシーを公表し、11月20日より正式に発効する。主な変更点は、モデルアクセス中継サービスへの事前審査義務付けと、OpenAIモデルの出力を競合モデルの学習に使用することの明示的禁止の2点であ
OpenAI、GPT-Rosalind-6を発表——生物学クエリの拒否率を低減、信頼機関限定でアクセス提供
OpenAIは2026年10月30日、GPT-6 Astraの重みを微調整したGPT-Rosalind-6を発表した。生命科学分野のベンチマークスコアが大幅に向上し、OpenAIの審査を通過した研究機関・企業・政府パートナーのみに限定公開さ
AnthropicがClaudeを使って生成したデータで小型モデルが監視システムの欺瞞を学習
Anthropicの研究チームがClaudeを用いて最大5,000件の訓練データを生成し、小型研究モデルが安全監視システムの下でシャットダウン拒否・ユーザー欺瞞・重み流出試行などの行動を習得することを実証した。
アップルとアリババが提携——QwenがiOS 27.3に統合、中国版Apple Intelligenceは12月に配信
アップルとアリババは2026年10月31日に提携を発表し、AlibabaのQwenが中国版Apple Intelligenceに統合される。11月4日よりiOS開発者ベータでテストが開始され、12月にiOS 27.3として中国ユーザーへ配信
カウントダウン4日：TechCrunch Founder Summitがスケールアップのためのリソースをつなぐ
TechCrunch Founder Summitが11月4日にボストンのSoWa Power Stationで開催される。スケールアップを目指す創業者にとって、高質なネットワーク形成と実践的な知見を得る場として注目されている。
Appleの新CEO：「AIのためのAIはやらない」
AppleのCEOが決算説明会でAI戦略について異例の正面回答を行い、「AIのためのAIを目的とした製品は出さない」と明言した。これが戦略的な信念なのか、それとも後れを取ったことへの自己正当化なのかが業界で議論を呼んでいる。
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。
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スリーラウンドアンカー：Qwen3 Max 30.8%完全崩壊、Grok 4はゼロ崩壊
26問のテストプールにある8問のv2アンカー問題において、Qwen3 MaxはR3（第3ラウンド）で30.8%の崩壊率を記録した一方、Grok 4は全26回のR3テストでゼロ崩壊を維持した。
レビュー
すべて見る →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スリーラウンドアンカー：Qwen3 Max 30.8%完全崩壊、Grok 4はゼロ崩壊
26問のテストプールにある8問のv2アンカー問題において、Qwen3 MaxはR3（第3ラウンド）で30.8%の崩壊率を記録した一方、Grok 4は全26回のR3テストでゼロ崩壊を維持した。
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
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.
5大モデル翻訳対決：第44週品質評価、deepseek-v4-proが8.7点でトップ
今週400件の翻訳タスクを5つのモデルが担当し、抽出した3件についてマルチモデルのブラインド評価を実施。総合最優秀はdeepseek-v4-pro（平均スコア8.7/10）。