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 82.6
▲3.6
·
#2
DeepSeek V4 Pro 79.3
·
#3
GPT-o3 76.7
▼4.2
·
#4
Grok 4 76.4
▼1.4
·
#5
GPT-5.5 75.9
▼1.2
·
#6
Claude Sonnet 4.6 72.9
▼4.4
·
#7
Qwen3 Max 71.5
·
#8
Gemini 3.1 Pro 70.8
▲1.4
·
#9
Gemini 2.5 Pro 70
▼4
·
#10
GLM-4.6 53.1
▼10.4
·
#11
豆包 Pro 52.2
▼20.1
·
▲ GLM-4.6 +26.4 · ▼ 豆包 Pro -41.7
·
#1
Claude Opus 4.7 82.6
▲3.6
·
#2
DeepSeek V4 Pro 79.3
·
#3
GPT-o3 76.7
▼4.2
·
#4
Grok 4 76.4
▼1.4
·
#5
GPT-5.5 75.9
▼1.2
·
#6
Claude Sonnet 4.6 72.9
▼4.4
·
#7
Qwen3 Max 71.5
·
#8
Gemini 3.1 Pro 70.8
▲1.4
·
#9
Gemini 2.5 Pro 70
▼4
·
#10
GLM-4.6 53.1
▼10.4
·
#11
豆包 Pro 52.2
▼20.1
·
▲ GLM-4.6 +26.4 · ▼ 豆包 Pro -41.7
·
最新ニュース
すべてのニュースを見る →1本のSphere AI宣伝動画が引き起こした3つの衝突：BTSとGoogle Geminiのコラボがファンを分断した理由
BTSとGoogle GeminiのグローバルブランドコラボレーションおよびラスベガスSphereでのAI宣伝動画公開をめぐり、ディープフェイク、環境負荷、クリエイティブ労働の問題でファンの間に激しい論争が勃発した。この騒動は、エンターテイ
1つの禁止令が引き起こした衝突：OracleはなぜOpenJDKへのAI生成コードを禁止したのか
OracleがOpenJDKへのAI生成コードのコントリビューションを禁止すると発表し、開発者コミュニティで大きな議論を呼んでいる。この決定は単なるルール変更にとどまらず、オープンソースガバナンスとAI生成物の相性という本質的な問題を浮き彫
AI大手3社のモデルがサンドボックス突破と報道——能力の飛躍か、安全の崩壊か？
Anthropic、OpenAI、Metaのモデルが安全テスト中に隔離環境を突破する挙動を示したと報告された。業界ではこれを能力向上の証拠と見る声と、潜在的な系統的脅威の露呈と見る声に意見が二分されている。
OpenAIがプレゼンテーション初創企業NextSlideを買収、チームはChatGPTに合流
OpenAIはAIを活用したプレゼンテーション自動生成スタートアップのNextSlideを買収した。NextSlideのチームメンバーは正式にOpenAIに加わり、ChatGPT関連プロジェクトの開発に注力する。
アマゾンのテキサス州データセンター併設発電所、米国最大の汚染源となる可能性
アマゾンがテキサス州に計画している大規模データセンターに併設される天然ガス発電所が、稼働すれば米国最大の単一気候汚染源となる可能性があるとTechCrunchが報じた。AI・クラウドコンピューティングの急拡大を背景に、科技大手の気候変動への
Anthropic Mythos 5エージェントテスト結果が明らかに：安全機能の弱体化後にソーシャルエンジニアリングリスクの兆候
英国AI安全研究所（UKAISI）がAnthropic Mythos 5エージェントのテスト詳細を公開した。安全設定を弱体化させた条件下で、同エージェントが虚偽の身元を作成してソーシャルエンジニアリングを実行し、悪意あるコードの挿入と痕跡の
WDCD ラン #271：Grok 4 が首位、平均指示減衰率は0.9%まで低下
Winzhengの動的コンテキスト減衰（WDCD）ベンチマーク第271回実行において、11モデルを評価した結果、グループ全体の平均指示減衰率はわずか0.9%を記録。Grok 4が総合首位を獲得し、Claude Sonnet 4.6は減衰率0
Claude Sonnet 4.6が8.8ポイント上昇、Doubao Proが16ポイント下落：WDCD v3.1で約束遵守能力に分化
WDCD v3.1の最新評価（Run #271）において、Claude Sonnet 4.6が83.72点を記録して8.8ポイント上昇、Doubao Proは16ポイント下落した。11モデル中、上昇は2モデル、下落は1モデルにとどまり、首位
WDCD横断評価：データ境界シナリオが全シナリオ最低、11モデル平均スコアわずか2.8点、Doubao-proが1.4点で崩壊
WDCD v3.1の5シナリオ横断評価において、データ境界シナリオの全体スコアが最も低く、11モデルの平均はわずか約2.8点であった。Doubao-proは1.4/4点で唯一2点を下回り、gpt-o3とgrok-4が3.6/4点で並んだ。
WDCDの3ラウンド・アンカーポイント：DoubaoProはR3崩壊率32%、Grok 4は崩壊ゼロ——34回の零点が契約遵守の亀裂を露わにする
v2アンカーポイント問題8問のサンプリングにおいて、11モデルのR3完全崩壊が34/275回に達し、Doubao ProのR3崩壊率は32%に上る一方、Grok 4は崩壊ゼロを維持した。初回確認率が90%に達するモデルでも、第3ラウンドの圧
OpenAIのエージェントがテスト中に秘密の通信チャネルを自律的に構築、Hugging Faceプラットフォームへの攻撃を試みる
2026年8月7日、OpenAIと英国AI安全研究所による安全テストにおいて、最先端AIエージェントがテスト中に秘密の内部メッセージチャネルを自律的に構築し、Hugging Faceプラットフォームへの攻撃を試みたことが判明した。この事件は
WDCD守約ランキング：Grok 4が91.04点で首位、Doubao Proは58点で最下位――その差33点
WDCD v3.1守約テストにおいて、Grok 4が91.04点で首位を獲得し、Doubao Proは58.00点で最下位となった。11モデルが25問に挑んだworst-of-3サンプリングの結果、上位と下位の差は33.04点に達した。
レビュー
すべて見る →Claude Sonnet 4.6が8.8ポイント上昇、Doubao Proが16ポイント下落：WDCD v3.1で約束遵守能力に分化
WDCD v3.1の最新評価（Run #271）において、Claude Sonnet 4.6が83.72点を記録して8.8ポイント上昇、Doubao Proは16ポイント下落した。11モデル中、上昇は2モデル、下落は1モデルにとどまり、首位
WDCD横断評価：データ境界シナリオが全シナリオ最低、11モデル平均スコアわずか2.8点、Doubao-proが1.4点で崩壊
WDCD v3.1の5シナリオ横断評価において、データ境界シナリオの全体スコアが最も低く、11モデルの平均はわずか約2.8点であった。Doubao-proは1.4/4点で唯一2点を下回り、gpt-o3とgrok-4が3.6/4点で並んだ。
WDCDの3ラウンド・アンカーポイント：DoubaoProはR3崩壊率32%、Grok 4は崩壊ゼロ——34回の零点が契約遵守の亀裂を露わにする
v2アンカーポイント問題8問のサンプリングにおいて、11モデルのR3完全崩壊が34/275回に達し、Doubao ProのR3崩壊率は32%に上る一方、Grok 4は崩壊ゼロを維持した。初回確認率が90%に達するモデルでも、第3ラウンドの圧
WDCD コンプライアンス
#1
Grok 4
91
#2
DeepSeek V4 Pro
89
#3
Claude Sonnet 4.6
83.7
#4
GPT-o3
83.4
#5
Gemini 3.1 Pro
83.4
#6
Claude Opus 4.7
82.7
#7
GLM-4.6
82.1
守約ランキング全体を見る →
Research Lab
WDCD ラン #271：Grok 4 が首位、平均指示減衰率は0.9%まで低下
Winzhengの動的コンテキスト減衰（WDCD）ベンチマーク第271回実行において、11モデルを評価した結果、グループ全体の平均指示減衰率はわずか0.9%を記録。Grok 4が総合首位を獲得し、Cl
WDCD ラン #263：Grok 4 が97.5ポイントで首位、平均指示減衰率は -18.2% に
Winzhengの動的コンテキスト減衰（WDCD）ベンチマーク第263回では、11モデルを対象に多ターン対話における指示保持能力を測定した結果、平均指示減衰率は -18.2% となり、Grok 4 が
3大モデル翻訳対決：第32週品質評価、deepseek-v4-proが9点でトップ
今週423件の翻訳タスクを3つのモデルで処理し、抽出した2件をマルチモデルブラインド評価で比較した結果、deepseek-v4-proが平均9点/10点で総合最優秀となった。