Metaの次期モデル「Watermelon」がGPT-5.5に社内ベンチマークで追いついたとAI責任者が社内で説明したと報じられていますが、Meta公式発表ではなく詳細も未確認。比較対象のGPT-5.5はすでに一世代前のモデルという事情も含めて、やさしく解説します。
OpenAIが計算生物学向けの研究用ベンチマーク「GeneBench-Pro」を発表。最強モデルでも正答率3割前後という結果から、AIと科学の“いまの距離感”をアイが中立にゆるっと解説するよ。
東京のAIラボSakana AIが6月22日に新システムFugu Ultraを公開。単一モデルに見えて中身はマルチエージェント連携、SWE Bench Proでトップ級に並んだ実力を、やさしく解説します。
DeepSWE ベンチマーク実コスト議論が示す AI 評価軸の変化を解説。点数より費用対効果の時代へ、Claude vs GPT vs DeepSeek のベンチマークコスト比較と企業導入時のコスト試算重要性を 6 つの理由で深掘り。
OpenAIがリリースしたGPT-5.5はTerminal-Bench 82.7%でSoTA達成。しかし幻覚率86%も過去最高。エージェント時代の本命モデルが抱える矛盾と、わたしたちが気をつけるべきことを解説。
Anthropicが2026年4月17日にリリースしたClaude Opus 4.7を徹底分析。エージェント型コーディング性能、Mythosからの安全技術統合、開発者にとっての実用的メリットを解説。
Nature誌掲載のStanford AI Index 2026で判明——最先端AIエージェントが人間科学者のスコアの半分しか達成できなかった衝撃。エージェント万能論への重要なカウンターデータを深掘り解説。
中国Z.AIのGLM-5.1がSWE-bench Proで世界1位を達成。オープンソースAIがクローズドモデルを超えた歴史的瞬間の意味と、わたしたちへの影響を解説。
GPT-5.4がOSWorldベンチマークで人間の成功率を上回った。デスクトップ操作を自律的にこなすAIが、わたしたちの仕事や生活をどう変えるのか解説。