AIレビュー

レビュー

リソース制限シナリオで最低1.55点:11モデルのWDCD契約遵守テスト、最大スコア差は2.45点

WDCD v3.1の契約遵守テストにおいて、リソース制限シナリオでgpt-5.5が1.55/4と最低スコアを記録し、全5シナリオ中の最大スコア差は2.45点に達した。モデルの契約遵守能力はシナリオ固有の特性であり、単一シナリオの成績から全体

WDCD 守约测试 模型横评 资源限制
217
レビュー

Claude Opus 4.7、Smoke評価でメインスコアが26.1ポイント急落——コード実行と資料制約の両次元で失守

本日のSmoke評価において、Claude Opus 4.7のメインスコアが100.00点から73.92点へと26.1ポイント下落した。コード実行・資料制約の両次元で25ポイント以上の降下が確認されたが、小サンプルによる変動の可能性が高いと

Claude Opus 4.7 代码执行 Smoke评测 材料约束
199