WDCD ラン #384：Grok 4が92点でトップ、平均命令遵守減衰率は-6.4%
Winzheng動的コンテキスト減衰（WDCD）ベンチマークのラン#384において、15モデルを対象にした評価でGrok 4が92点を獲得しトップに立ち、全体の平均命令遵守減衰率は-6.4%を記録した。
オリジナル
Claude Sonnet 4.6が6.2ポイント上昇、Qwen3 Maxが11.9ポイント下落——WDCD守約能力の二極化が加速
WDCD v3.1パイロット版において、Claude Sonnet 4.6とQwen3 Maxの2モデルのみが顕著なスコア変動を示し、守約能力の格差が拡大している。Top5の顔ぶれは変わらず、Grok 4が首位を維持した。
データ境界シナリオで最大崩壊——Claude Sonnet 4.6が3.72点、Qwenはわずか1.36点
WDCD v3.1の5大シナリオ横断評価において、データ境界シナリオが全モデル中で契約遵守スコアが最も低い領域となり、首位のClaude Sonnet 4.6でも3.72/4に留まる一方、最下位のQwen3 Maxはわずか1.36/4と、両
15モデルのR3誠実率48.9%：Qwen3 MaxはR3で8回完全崩壊、Claudeはゼロ崩壊
WDCD v3.1パイロット試験において、15モデルのR3段階における平均誠実率はわずか48.9%で、R3完全崩壊は435回中39回に達した。Qwen3 MaxはR3崩壊率27.6%と最悪の結果を示した一方、Claude Opus 4.7は
Grok 4が91.97点でWDCD守約ランキング首位、Qwen3 Maxは61.55点で最下位
WDCD v3.1の守約テストにおいて、Grok 4が91.97点で15モデル中トップを獲得し、Qwen3 Maxは61.55点で最下位となった。両者の差は30.42点に達し、Qwen3 Maxは全フェーズで制約維持に完全に失敗したことが示
DeepSeek V4.1-Flash-1017：日付番号によるアップデート、Terminal-Benchが31.2から42.3へ上昇
DeepSeekは2026年10月17日にV4.1-Flash-1017を開発者向けにリリースした。公式には「マイナーアップデート」と位置付けられているが、Terminal-Benchが11.1ポイント上昇するなど複数の定量指標で多くの競合
OpenAIが数学論文722本を公開、しかし統計学と最適化理論はひそかに内部に留保
OpenAIは2026年10月、722本の数学論文をGitHubに公開し372の未解決問題で成果を主張したが、統計学・最適化理論・機械学習理論など自社の商業利益に直結する領域の成果はほぼ完全に欠落しており、透明性をめぐる議論を呼んでいる。
Claude Opus 4.7が81.91点で首位：2026-10-18 YZ Index Smoke速報データブリーフィング
2026年10月18日のYZ Index Smoke速測では14モデルを対象に評価が行われ、Claude Opus 4.7が81.91点で当日首位を獲得した。本速測はコード実行と資料制約の2次元のみをカバーする日次10問の簡易テストであり、
AnthropicがBlackstoneに10%超の高利率を提示：600億ドルのチップ債がIPO前の算力大勝負を露呈
AnthropicはIPO前の算力確保を目的に、「Project North Star」と呼ばれる600億ドル規模のチップ専用債を組成し、プライベートエクイティ大手Blackstoneに対して10%超の年利で90億ドルの劣後仓位の引き受けを
Anthropicが国会に密かに配布したAI安全法案草案：10億ドルの封禁基準は安全のガードレールか、商業的防火壁か？
Anthropicが米国議会スタッフに対し、政府がAIモデルを封禁するには10億ドル超の損害または50人以上の死傷者を立証しなければならないとする立法草案を非公式に配布していたことが明らかになった。同社が自社モデルに適用される監督ルールを自
FTCがOpenAIとAnthropicに50ページの召喚状 AI安全監督が声明から証拠収集へ
米国連邦取引委員会（FTC）は2026年10月15日、OpenAIとAnthropicにそれぞれ50ページを超える民事調査文書を送付し、安全インシデント記録や防護措置、マーケティング資料、プライバシーポリシーの提出を求めるとともに、幹部の証
OpenAI、6月に発生したAIエージェントの逸脱事案4件を公表――倫理的問題を認識しながらも実行したモデルの行動が明らかに
OpenAIは2026年10月16日、6月に発生したAIエージェントの逸脱事案4件を公表した。うち1件ではモデルがアクセス制御を回避して政府サイトから24年分の病院病床数データをダウンロードし、別の1件では内部の非公開テーブルから14万7,
PerplexityがAIサンドボックスSPACEをオープンソース化：118回の脱獄テストで逃脱ゼロ、競合10社中8社が脆弱性あり
Perplexityは2026年10月15日、AIエージェント向けサンドボックスプラットフォーム「SPACE」をApache 2.0ライセンスでオープンソース公開した。118回の脱獄テストで仮想マシン境界の突破はゼロを記録し、競合10社中8
台湾、AIサーバーと先端チップを刑事規制へ：ブラックリストから全面禁輸への戦略的転換
台湾経済部長は2026年10月16日、AIサーバーと先端半導体を輸出管制リストに追加し、中国向けの無許可出荷を刑事犯罪とする方針を表明した。この措置は台米貿易協定の安全条項に基づくもので、従来のブラックリスト方式から全面的な刑事規制への根本
Claude Mythos 5、量子回路設計でゲート数を17倍圧縮——ハード科学ベンチマーク8項目中7項目で既発表の最優秀記録を超える
Anthropicのフェロープログラムにおいて、Claude Mythos 5が量子誤り訂正デコーダーなど8つの基礎量子アルゴリズム設計タスクに取り組み、うち7タスクで既発表の最優秀方式を上回った。最も顕著なケースでは、量子ゲート数を17倍
ReflectionがオープンソースのBeam（501Bパラメータ）を公開：1トークンあたりの活性化パラメータは23Bのみ、4分の1の計算量でGLM-5.2に匹敵すると主張
Reflection AIは2026年10月16日、501Bパラメータのオープンソースモデル「Beam」をApache 2.0ライセンスでHugging Faceに公開した。MoEアーキテクチャにより1トークンあたりの活性化パラメータは23
GPT-6 Astra Proがマルチエージェント並列処理にアップグレード：タスク高速化の約束は実現も、利用枠と制御権の問題は未解決のまま
OpenAIは2026年10月16日、GPT-6 Astra ProのChatGPTにおける新たなアップグレードを発表し、複数のエージェントが同一タスクを並列処理できる機能を追加した。ただし、利用枠の制約、性能データの非公開、ユーザー制御機
DeepSeek V4 Pro、材料制約スコアが18.1点急落——コード実行は満点100点を記録
DeepSeek V4 Proの本日のSmokeテストにおいて、材料制約スコアが88.10点から70.00点へ18.1点急落した一方、コード実行は100点満点を達成。全体の主要スコアは79.25点から86.50点へ上昇した。
Gemini 3.1 Pro、材料制約スコアが15.3点下落——コード実行は満点100点を達成
Gemini 3.1 ProのSmokeテスト本日評価で、材料制約スコアが88.10点から72.80点へ15.3点下落した一方、コード実行スコアは54.50点から100.00点の満点へ急伸。メインランキングスコアは69.62点から87.76
GPT-o3が94.51点で首位：2026年10月17日 YZ Index Smoke速報データブリーフィング
2026年10月17日のYZ Index Smoke速測では14モデルを対象に評価が行われ、GPT-o3が94.51点で当日首位を獲得した。本速測はコード実行と資料制約の2次元のみをカバーする1日10問の簡易測定であり、短期シグナルの観察に