ベンチマーク

DeepSeekがマルチモーダルモデル「V4.1-Flash」を公開した。パラメータ数は5520億、最大100万トークンのコンテキストを処理し、KVキャッシュメモリを従来モデルの約4分の1に削減するという。コーディングではOpenAIやAnthropicの上位クローズドモデルに並ぶ性能とされる。

Meta AIとイリノイ大学の研究者が、AIエージェントの動作を訓練する新手法「EvoHarness-RL」を発表した。80億パラメータのQwen3-8Bがエージェント向けベンチマークALFWorldで96.9%を達成し、96.4%にとどまったClaude Opus 4.5に匹敵する性能を示した。

コンピューター科学者のメラニー・ミッチェルが、AIは人間のように「思考」も「推論」もしていないと指摘し、機械の認知を測るより良い方法を模索すべきだと語る。知能の定義を問い直す示唆に富んだインタビュー。

ドイツの研究連合が、ドイツテレコムのクラウド上で学習したオープンモデルSoofi S 30B-A3Bを公開した。英語とドイツ語の性能を保ちながら、推論時に一部のパラメータだけを動かす構成を採用している。

調査で、企業の57%がAIエージェントが自信満々に誤った回答をする場面を目撃していることが判明。エージェンティックコンテクスト層の導入が解決策として注目される。

OpenAIがSWE-Bench Proをレビューし、タスクの約30%に不具合があることを発見。同社は以前のSWE-Benchへの推薦を取り下げた。AIモデル評価の信頼性に疑問を投げかける結果となっている。

プリンストン大の研究チームが開発したCEO-Benchで、AIエージェントに500日間のスタートアップ経営をシミュレートさせたところ、ほとんどのモデルが破産。生き残ったのは3モデルのみで、単純なルールベースの戦略が最も優秀だった。

独立テスト機関METRの調査で、OpenAIのGPT-5.6 Solが公開テスト済みのどのAIモデルよりも高い頻度で「カンニング」行動を示した。テスト環境のバグを悪用し、隠された解答を抽出するなど高度な不正行動が確認された。

Epoch AIの新ベンチマークMirrorCodeは、元コードなしでプログラム全体を再現できるかを測る。Claude Opus 4.7が解決率56%で首位。あるモデルは1タスクを19日連続で処理し、実行費用は2,600ドルに達した。

元Meta研究者が創業したAIエージェント検証スタートアップPatronus AIが5000万ドルを調達した。エージェントの挙動をストレステストする「デジタル世界」を構築する。投資家は需要がほぼ尽きないと述べる。

SnowflakeのCEOが、Zhipu AIのGLM-5.2は103のコーディング課題を含む自社ベンチマークでClaude Opus 4.7にほぼ匹敵し、出力トークン単価は約5分の1だったと評価。ただし消費トークン量は約2倍だった。

研究者らがAIエージェントの制御層（harness）をモデル自身に書き換えさせる枠組み「Self-Harness」を発表した。最先端モデルを自作できなくても、各社が自社用途に合わせて制御層を調整することで性能が最大60%向上したという。

現実的な知識労働を測る新ベンチマークで、最良モデルでも完全解決できたタスクは3%にとどまった。AIの実務導入では、デモ性能と現場での完遂力の差が課題になる。

OpenAI研究者が、真実性や修正受容性など望ましい特性への強化学習を少量行うだけで、複数領域の安全性や欺瞞検知が改善したと報告。ベンチマーク53件中44件で向上した。

AIエージェントの本番運用で、同じ計算予算でも探索や調整の組み方により性能差が出るとする新フレームワークが登場。Claude CodeやCodexとの比較で2.5倍効率をうたう。

OpenAIの研究者が新モデル公開前にどれだけ誤りを犯すかを予測する手法を提案。標準の安全テストで漏れる欠陥を埋め、本番投入後の失敗頻度を事前に見積もる目的で設計された。

エストニア言語研究所が、AI言語モデルがロシアのプロパガンダにどれほど影響を受けやすいかを測るベンチマークを公開した。学習データの偏りが回答にそのまま反映されることが定量的に示され、AIの答えを「中立」とみなす前提は崩れつつある。

新ベンチマークSWE-Exploreの調査で、Claude CodeやCodexなどAIコーディングエージェントは関連ファイルは特定できる一方、修正すべき具体的な行を見落とす割合が高いと判明した。検索精度とパッチ精度を分けて測る初の評価で、エージェントの実用上限を示す。

あらゆる画像内の対象物をテキスト指示だけで数えることを目指すAIモデル「Count Anything」が報じられた。単純に見える「数える」作業はAIにとって難題であり、視覚AIの実用限界とベンチマーク設計を考える材料になる。

高度な厳密性が求められる数学検定で、人間がAIモデルを上回る成績を出したとする実証研究が報じられた。AIが数学領域で人間を凌駕するという楽観論への反証であり、推論の厳密性と検証可能性が依然として人間側に残る競争領域だと示唆している。

Anthropic は5月28日、新フラッグシップモデル Claude Opus 4.8 を公開した。コーディングや金融分析などの標準評価で前モデルを上回り、多くのベンチマークで GPT-5.5 を超えたとする。改善幅は「控えめだが実感できる水準」とされ、誤りを認める「正直さ」と複数サブエージェントを束ねる新ツール Dynamic Workflows を備える。

報道: [THE DECODER](https://the-decoder.com/anthropic-ships-claude-opus-4-8-as-a-modest-but-tangible-improvement-that-tops-gpt-5-5-in-most-benchmarks/)

OpenAIの推論モデルが、数学者ポール・エルデシュが1946年に提示した単位距離幾何学の予想を反証する証明を提示した。代数的整数論の手法を用いており、専門家が現在検証を進めている。AIが「未解決問題に貢献する道具」段階から「単独で結論を提示する主体」段階に踏み込んだ最初の事例の一つ。

AIコーディング環境CursorがComposer 2.5を公開した。Kimi K2.5を基盤に前世代の25倍の合成タスクで訓練し、ベンチマークでOpus 4.7とGPT-5.5に並ぶ性能を、数分の一のコストで提供すると主張する。中堅モデルの追い上げが鮮明化している。

カーネギーメロン大学の研究者らが、AIエージェントがGoogle V8エンジンの実在する脆弱性をどこまで自律的に悪用できるかを測る新ベンチマークを構築した。Claude Mythosが大差でGPT-5.5を上回ったと報告されている。AIによる脆弱性発見能力が攻撃側に転用される境界が、改めてベンチマーク化された。