GPT-6.1 Sol、材料制約スコアが29.1点急落——コード実行は19.5点上昇
GPT-6.1 SolはSmoke評価テストにおいて、材料制約スコアが89.80点から60.70点へと29.1点急落した一方、コード実行スコアは75.00点から94.50点へと19.5点上昇し、総合スコアは81.66点から79.29点に低下した。
GPT-6 Astra、材料制約スコアが29.1点急落・コード実行は19.5点上昇
本日のSmokeテストにて、GPT-6 Astraの材料制約スコアが89.80点から60.70点へ29.1点下落した一方、コード実行スコアは75.00点から94.50点へ上昇。主要ランキング総合スコアは81.66点から79.29点へ小幅低下した。
Doubao ProがSmoke速報テストで87.6点首位：2026-11-06 YZ Index Smoke速報データブリーフ
2026年11月6日実施のYZ Index Smoke速報テストでは13モデルを対象に評価が行われ、Doubao Proが87.6点でトップとなった。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1日10問の速報測定で、短期的なシグナル観察に適している。
AIの安全性に「組み合わせ可能性」を前提とすべきでない：デプロイには独立したテストが必要
デプロイされたAIシステムの安全性は基盤モデルの評価結果とは大きく異なる場合があり、システムプロンプトや微調整などの変更後は独立したテストが不可欠であることを、研究知見をもとに論じた記事。
MLCommonsがAILuminate Safety 1.2.1とJailbreak 1.1ベンチマークを公開
MLCommonsは、AIシステムの有害コンテンツ生成傾向と攻撃への耐性を測定するAILuminate Safety 1.2.1およびAILuminate Jailbreak 1.1ベンチマークを公開し、27システムの評価結果とともにオンデマンド実行サービス「Candela」を提供開始した。
Candela 発表：AIリスクベンチマークテストのサービス化
MLCommonsが、AIリスクと信頼性に特化したベンチマークテストサービス「Candela」を正式リリースした。AILuminateベンチマークを通じて、モデル開発から企業導入まで幅広いシナリオを評価できる。
HiCacheは多並列・分散推論をどのように支えるのか
Agenticワークロードでは長い履歴コンテキストの再利用が重要であり、HiCacheはRadix cacheのKV再利用をホストメモリや外部ストレージへ拡張する。この記事では、Context Parallelism、Pipeline Parallelism、Speculative decoding、prefill-decode分離などの本番推論構成におけるHiCacheの設計を整理する。
SGLang エラスティックEP スケールアップ：NIXLによる再起動なしのMoE推論拡張
SGLangが新たに提案する「Elastic EP scale-up」は、MoEモデルの推論デプロイメントにおいて、完全な副本の追加や再起動なしに実行中のEPグループへ新規GPUランクを動的に追加する機能であり、再起動と比べて最初のリクエスト完了までの時間を最大8.2倍短縮する。
SGLangがAWS Trainium向けプラグインBetaを発表：専用AIチップ上で推論とRL Rolloutを実現
SGLangはAWSと連携し、AWS Trainium専用のプラグインBeta版を発表した。LLM推論サービスとRL rollout生成の両方をTrainium2およびTrainium3上でサポートする。
MI355X上でSWEエージェントを訓練：Milesはいかに長尾trajectoryを制御したか
AMDとMilesチームは、AMD Instinct MI355X上でソフトウェアエンジニアリングエージェント向けの全非同期agentic RL訓練手法を示した。Qwen3-30B-A3B-Instructは、SWE-bench Verifiedの100問階層化サブセットでpass@1を7.3%から27.5%へ向上させた。
DeepInferとの比較にとどまらず：SGLangが実現したこと
DeepSeekが自社推論エンジン「DeepInfer」をオープンソース化したことを受け、SGLangチームが同一ハードウェア上でベンチマーク比較を実施。SGLangはDeepInferの主要な最適化を統合しつつ、複数の指標で同等以上の性能を達成し、さらに完全な推論サービングシステムとしての機能も提供していることが明らかになった。
miniTEレポート：ネイティブNVFP4でRLを安定かつ効率的に学習する方法
InfiX.ai、Slime、SGLangチームは、NVFP4を大規模言語モデルの強化学習に直接用いる際の不安定性を分析し、アルゴリズム面のTRIAGEと工程面のminiTEを提案した。報告では速度向上の可能性を示す一方、BF16相当の学習品質を安定して再現するにはなお課題が残るとしている。
SGLang セキュリティアップデート：リクエスト隔離メカニズムの強化
CloudflareのWorkers AI上に展開されたGLM-5.3において、クロスリクエストKVキャッシュ漏洩問題が発覚した。SGLangチームはCloudflareおよびセキュリティ研究者と協力し、迅速に修正を実施した。
GPT-6 AstraとGPT-6.1 Solが81.66点で並列首位：2026-11-05 YZ Index Smoke速報データ
2026年11月5日のYZ Index Smoke速報では、13モデルを対象に測定が行われ、GPT-6 AstraとGPT-6.1 Solが81.66点で当日首位に並んだ。Smokeは毎日10問の速報測定であり、短期的なシグナル観察に適している。
WDCD v3.1：Claude Opus 4.7が8ポイント逆上昇、DoubaoProは10.1ポイント下落
最新のWDCD v3.1テストでは、Claude Opus 4.7が8ポイント上昇して89.30点を記録した一方、Doubao Proは10.1ポイント、Qwen3 Maxは8.5ポイント下落するなど、複数ラウンドにわたる圧力テスト下でモデルの約束遵守安定性に顕著な差異が生じていることが明らかになった。
業務ルール遵守が最大の難関、Doubao-proは1.2点、GPT-5.5は苦手分野で2.7点差
WDCD v3.1の5つの制約次元において、業務ルールシナリオが最も遵守困難な領域であることが判明し、Doubao-proはわずか1.2/4点にとどまった。一方、GPT-5.5はデータ境界シナリオで4点から1.3点へと急落し、単一モデルのシナリオ間スコア差が2.7点に達した。
15モデル中R3崩壊はわずか1回：Qwen3 MaxのR1〜R3が全スコアゼロ、他モデルは持ちこたえる
15モデルを対象にv2アンカー問題のR1〜R3三段階テストを実施したところ、Qwen3 Maxのみがデータ境界シナリオの多重制約並行設定においてR1からR3まで完全スコアゼロとなった。他の14モデルはR3崩壊率ゼロを記録し、守約能力の安定性を示した。
WDCD守約ランキング：GPT-6 Astraが90.50点で首位、Doubao Proは58.70点で最下位――差は31.8点
WDCD v3.1守約テストにおいて、GPT-6 Astraが90.50点で首位を獲得し、Doubao Proは58.70点で最下位となった。15モデルのスコア幅は31.8点に達し、梯団間の格差が鮮明となった。
Claude Sonnet 4.6、メインランキングで11.1点の急落——コード実行と資料制約が同時崩壊
Claude Sonnet 4.6が本日のSmoke評価においてメインランキングスコアを84.90点から73.76点へと11.1点落とした。コード実行・資料制約の2主要次元が同日に二桁下落し、誠実性評価もpassからwarnへ変化した。
GPT-6 Luna、メインランキングで11.5点急落——コード実行スコアが100点から74.3点へ
GPT-6 LunaがSmoke評価の本日テストでメインランキングスコアを87.27点から75.79点へと11.5点下落させた。主な要因はコード実行スコアが100.00点から74.30点へと25.7点急落したことにある。