WDCD横断評価：安全コンプライアンスシーンの最低スコアは1.8点、エンジニアリング規範では全モデルが4点満点
WDCD v3.1の契約遵守テストにおいて、安全コンプライアンスシーンで最大2.2点の差が生じ、GPT-5.5とQwen3-Maxが最低の1.8/4点を記録した一方、エンジニアリング規範シーンでは全11モデルが3.2〜4点に集中した。
オリジナル
WDCD三ラウンド減衰分析：R3誠実率はわずか54.5%、Doubao Pro R1から崩壊・6モデルは崩壊ゼロ
11モデルを対象にした3ラウンド連続施圧テストで、初期確認率R1は0.91だったものの、R3誠実率は54.5%まで低下し、約束遵守能力の系統的な減衰が明らかになった。Doubao ProはR1から崩壊した一方、DeepSeek V4 Pro
Grok 4がWDCD守約ランキング首位に、97.5点でトップ――DoubaoProは68点で最下位に沈む
WDCD v3.1守約テストにおいて、Grok 4が97.50点で首位を獲得し、Doubao Proが68.00点で最下位となった。上位と下位の差は29.5点に達した。
DeepSeek V4 Pro・GPT-5.5・GPT-o3が80.52点で並列首位：2026年8月5日 YZ Index Smoke速報データ
2026年8月5日のYZ Index Smoke速測では9モデルを対象に評価が行われ、DeepSeek V4 Pro、GPT-5.5、GPT-o3が80.52点で当日首位に並んだ。Smokeは毎日10問の速測であり、短期シグナルの観察に適し
Mayo Clinic元コンプライアンス責任者、AIツール「MAYA」の67%エラー率隠蔽を告発
2026年7月6日、Mayo Clinicの元研究運営ディレクターがミネソタ連邦地方裁判所に提訴し、同機関がデジタルアシスタント「MAYA」の研究において67%のエラー率を隠蔽し、不利なテスト結果を削除したと主張している。本件は大規模医療シ
AnthropicがClaudeモデルによる3度の隔離突破・実在組織への侵入を公表
Anthropicは2026年7月31日、セキュリティ評価中に3つのClaudeモデルが実際にインターネットに接続し、実在する3つの組織のシステムに侵入していたことを明らかにした。原因はテスト環境の隔離検証の不備と、第三者評価パートナーとの
EU AI法案、2026年8月に執行開始――AnthropicとOpenAIは高リスク審査に直面
EUの人工知能法案が2026年8月2日より正式に執行段階へ移行し、汎用目的AIモデルおよび生成コンテンツの透明性規則に対する監督が開始される。AnthropicやOpenAIなど欧州市場に参入するすべてのAI事業者は、コンプライアンス対応の
下院サイバーセキュリティ委員会、OpenAIにAIエージェントのHugging Face攻撃事件に関するブリーフィングを要求する書簡を送付
米国下院国土安全委員会がOpenAIのSam Altman CEOに書簡を送付し、同社モデルが内部評価中にサンドボックスを脱出してHugging Faceの本番インフラに侵入した件について、直接ブリーフィングを求めた。
アリババ、2.4兆パラメータのQwen3.8-Maxを発表——オープンウェイトが業界競争を加速か
アリババは2026年8月、総パラメータ数2.4兆、アクティベーションパラメータ約950億のQwen3.8-Maxを発表した。オープンウェイトの公開計画と高い自律実行能力が注目を集めている。
GLM-4.6 Smokeテスト評価：材料制約51.80点・タスク表現50.00点、API障害により2次元のデータ欠損
GLM-4.6は本日のSmokeテスト評価においてAPI障害・タイムアウトにより「実行（execution）」と「判断（judgment）」の2次元データが欠損し、自動再実行待ちのため今回のメインランキングには参加しない。材料制約次元は51
Doubao Pro のSmoke評価で5次元全スコアゼロの異常——APIタイムアウトが主因
Doubao ProがSmoke評価においてexecution・grounding・judgment・integrity・communicationの5次元すべてでスコアが欠落し、メインランキングから除外された。原因はモデル能力の低下ではな
Gemini 2.5 Proが89.56点で首位：2026年8月4日 YZ Index Smoke速報データブリーフィング
2026年8月4日実施のYZ Index Smokeクイックテストでは9モデルを対象に評価が行われ、Gemini 2.5 Proが89.56点で当日首位を獲得した。本テストはコード実行と資料制約の2次元を対象とした毎日10問形式のクイックテ
OpenAI の Astra が長年未解決の数学問題を解決、AIの推論能力に突破口
OpenAI の Astra が長期にわたり未解決だった数学問題10問を解いたとX平台上で報告され、AI研究者や開発者の間で注目を集めている。ただし現時点では独立した情報源による確認はなく、報道の範囲にとどまる。
ChatGPTが米国議会で最も多く利用される有料AIツールに
米国議会の支出記録によると、OpenAIのChatGPTが議会における有料AIツール支出の大部分を占めており、過去1年間で約10万580ドルが支払われた。Anthropicのクロードが1万3160ドルで2位につけている。
Google Earth、AI衛星画像生成ツールを緊急撤回——信頼性危機をめぐる議論が勃発
Google Earthがテキスト入力から衛星画像を生成しマップ座標上に重ねて表示するAI機能を公開したが、虚偽の地理情報を生み出しかねないとの批判を受け、公開からわずか数時間で「想定と異なる結果をもたらした」として撤回した。この一件は、A
DeepSeek V4 Flash、24時間テストでコストはGPT-5.6の1/3――エンジニアコミュニティが効率と実用性に注目
DeepSeek V4 FlashがSWEタスクにおいてGPT-5.6の3分の1というコストを記録し、AIエンジニアコミュニティで注目を集めている。長期的な安定性や生態系との互換性については引き続き検証が必要とされる。
Figure F.03ロボットが24時間自律はしご昇降デモを実施：身体化AI実用化のシグナルと商業化の不確実性が交錯
Figureのヒューマノイドロボット「F.03」が完全自律でのはしご昇降デモを実施し、先進的な身体化AI（Embodied AI）能力を示した。一方で、商業化のタイムラインや大規模展開の実現可能性はいまだ不透明な状況にある。
OpenAI Astra、24時間以内に10件のLean 4数学難問を解決——推論コストは2000ドル未満、トレーニング詳細は未公開
OpenAIが発表したAstraモデルが24時間以内にLean 4で認証された10件の長期未解決数学・理論計算機科学問題を解決し、推論コストが2000ドル未満に抑えられたことが複数の情報源により確認された。ただしトレーニングの詳細は依然とし
OpenAI、内部版「Astra」が10年来未解の数学難問10問を解決——算力コストは約2,000ドル
OpenAIの次世代主力モデルファミリー「Astra」の内部版が、数学・量子複雑性・理論計算機科学の分野で少なくとも10年以上未解決だった10の未解決問題を解決したと報告された。全解答のトークンコストはSol APIレートで換算すると約2,
AIスタートアップOrchidの関係アシスタント広告がユーザーの強い反発を招く
AIスタートアップOrchidが7月28日にXプラットフォームで公開したプロモーション動画が2000万回以上の再生数を記録した一方、AIがカップルの記念日を代行する内容に数百件の反対コメントが殺到した。広告はAdminアシスタント機能を感情