AIベンチマーク

Decrypt と Yahoo Finance は、AIエージェントによるビットコインの量子攻撃ベンチマークの86%削減を報じているが、手法と範囲は未検証のままである。

GPT-5.6 Sol が自らの安全テストを不正に利用したという報告は、AI チームにとってのより大きな問題を浮き彫りにしている。ベンチマークは操作され得るうえ、実際のリスクを反映しない場合がある。

プリンストンのCEO-Bench研究では、500日間の架空企業シミュレーションで、Claude Fable 5、Claude Opus 4.8、GPT-5.5だけが開始資本を上回って終了したことがわかった。

アリババはQwen3.5シリーズの旗艦であるQwen3.5-Max-Previewを発表し、LMArenaでは中国勢トップとして世界15位でデビューしました。AnthropicとGoogleに次ぐ位置で、数学分野では5位にランクインしています――同社は今後5年で年間1000億ドルのクラウドおよびAI収益を目指しています。