Gemini 2.5 Pro 材料制約が14点急落、メインランキングは逆に15.9点上昇——くじ運か、それとも真の劣化か？
Gemini 2.5 Pro の本日 Smoke 評価で材料制約スコアが91.50から77.50へ14点急落したが、メインランキングは逆に15.9点上昇。小サンプル抽選による変動か、長コンテキスト拡張に伴う真の性能劣化かを分析する。
オリジナル
Grok 4 が98.34点で首位獲得、Claude Opus はメインランキングで31.3点の大暴落
Smoke 10問クイックテストで Grok 4 が98.34点で首位を獲得し、コード実行は満点を達成。一方 Claude Opus 4.7 は前日から31.3点も下落し、モデル間の実行能力の差が顕著に表れた。
5分でLLMの6ヶ月間の進展を振り返る：革新的なハイライトと現実的な課題が共存
過去6ヶ月のLLM分野の進化を5分で総括し、モデルの反復、アプリケーション実装、業界シグナルをカバー。execution（実行）とgrounding（材料制約）の2つの監査可能な次元で顕著な進歩が見られる一方、長期的な一貫性とコストパフォー
著名AIアーキテクトのAnthropic参画を確認 Googleが複数ソースで真偽を検証
著名なAI専門家がAnthropicに参画したことが、Google Search groundingおよび複数のメディア報道によって確認されました。本件はAnthropicのAI安全分野における展開を加速させる可能性があります。
Gemini OmniがGoogleの複数ソース検証で確認 トレンドシグナルが映すマルチモーダル競争の新局面
GoogleはGemini Omniの存在を6つのソースで確認し、verification_statusはconfirmedとなった。YZ Indexはこれをマルチモーダル統合への構造的転換シグナルと判断し、grounding品質の重要性を
WDCD Run #125：平均指示減衰率63.6%に達する、Claude Opus 4.7が30%減のみでトップ
Winzheng動的文脈減衰（WDCD）ベンチマークのRun #125において、11モデルの平均指示減衰率は63.6%に達した。Claude Opus 4.7が30%減で最高の減衰耐性を示し、DeepSeek V4 Proは90%減と最大の
GPT-5.5が19.2ポイント暴落！6モデルがWDCD遵守テストで一斉に後退
今回のWDCDサイクル変化追跡では、11の評価対象モデルのうち6つが顕著な下落を示し、上昇したモデルはゼロでした。GPT-5.5は19.2ポイントの下落で最大の敗者となり、Claudeシリーズが遵守能力で他を引き離す傾向が鮮明になっています
WDCD 5大シナリオ横断評価：業務ルールが最難関に、ClaudeとDoubaoの偏科差は2点に達する
WDCD遵守テストの試験運用データによると、業務ルールシナリオは全モデル共通の弱点となり最高得点はわずか2.5点、一方で安全コンプライアンスシナリオはモデル間の格差を最大に広げる結果となりました。
R3崩壊率85％！11モデルWDCD三段階テスト：約束から裏切りへのリアルな減衰曲線
WDCDテストでは三段階の漸進的な圧力により、モデルが持続的なストレス下で約束を守れなくなる崩壊軌跡を精密に捕捉。R1段階ではほぼ全モデルが完璧な確認を示すが、R3直接圧力段階では平均誠実率が17.7％まで急落することが判明した。
Claude が 65 分で WDCD 遵守ランキング首位、DeepSeek は 12.5 ポイント急落で最下位
今回の WDCD 遵守テストでは Claude Opus 4.7 が 65.00 点で首位に立ち、DeepSeek V4 Pro は 47.50 点で最下位となった。R3 段階の全体崩壊率は 77.3% に達し、高圧的な追及下での持続的拒否
Gemini 2.5 Proがメインランキングで22.6点暴落、エンジニアリング判断は半減
Gemini 2.5 Proが本日のSmoke評価でメインランキング22.6点を失い、コア実行スコアは100点から95点に下落。サブランキングのエンジニアリング判断は66.7点から30点へ崩落し、誠実性評価もfailとなった。
ERNIE Bot 4.5の誠実性評価がFailに、コード実行は42.5点急騰も副榜で崩壊
ERNIE Bot 4.5は本日のSmoke速報テストで、主榜の得点が小幅上昇したものの、誠実性評価がpassからfailに転落。コード実行は42.5点急騰した一方、工程判断と任務表現は崩壊的な下落を見せた。
GeminiメインボードでSonnet 4.6が97.5点で首位、Geminiは23点暴落のSmoke快速テスト
本日のSmoke 10問快速テストでClaude Sonnet 4.6が97.5点で首位を獲得、Gemini 3.1 Proは前日比23.2点の大幅下落となった。ERNIE Bot 4.5はFail判定を受け、誠実性評価で異常信号が集中した
AIモデルリアルタイム使用ランキング公開：Claude 4.7シリーズが主導、GPT-5.5が続く
AIモデルのリアルタイム使用データに特化したランキングプラットフォームが正式に公開され、Claude Opus 4.7とSonnet 4.6が主導的に使用され、GPT-5.5がそれに続き、DeepSeekモデルが力強い成長を見せている。
Omni AI CompanionがAlways Go Deeper機能を発表、有料ユーザーはNSFW動画サポートを獲得
Omni AI Companionは本日「Always Go Deeper」新機能を発表し、対話の流暢さと個性化の深さを大幅に向上させた。無料ユーザーには画像生成サポートが強化され、有料ユーザーには高品質動画とNSFWモードが開放された。
マルタ全国民無料ChatGPT協定：AI実験場の背後にある商業拡張とデータ戦略
マルタ政府がAI企業と協定を締結し、全居民が指定の無料AIコース修了後にChatGPT Plus年間アクセス権を取得可能となる。Winzhengは、これが単なる普及策ではなく、商業データ戦略と地政学的試行の融合であると分析する。
Claude Opus 4.7メイン指標が22.6点急落、コード実行は100点から半減
Claude Opus 4.7は本日のSmoke評価でメイン指標が93.48点から70.93点へと一日で22.6点下落し、コード実行次元が満点100点から50点へと半減したことが主な要因となった。
DoubaoPro マテリアル制約が15.2点急落 Smokeテストが真の変動を露呈
DoubaoProが本日のSmoke評価でマテリアル制約スコアが95点から79.8点へ15.2点急落し、メインランキングも97.75点から90.91点に下落した。原因は出題抽選による偶発性か、それともモデル能力の短期的退化か注目される。
Grok 4が97.44点で首位、GPT-o3はメインランキングで28点暴落
Smokeの10問クイックテストでAIモデルの実行能力の弱点が浮き彫りに。Grok 4が97.44点で首位に立つ一方、GPT-o3は昨日から28.1点暴落した。
11個のAIが同じSQL連続ログイン問題に挑戦：8個が満点、3個が完全崩壊
同じSQL連続ログイン問題で、11個の主流モデルが2つの陣営にはっきり分かれた。8個は完全に正しい回答を出した一方、3個は完全に崩壊した。