世界を動かす技術を、日本語で。
このリクエストには、判読できるテキスト情報が含まれていません。 ファイルやデータが破損している、または文字コードが正しく読み込めていない可能性があります。 再度内容をご確認の上、正しいテキストデータでご依頼ください。 ご不明点があれば、具体的なご要望をお知らせください。 適切な情報提供のため、明確なテキストデータが必要です。
ご不明な点や再送信希望があれば、再度ご連絡ください。
結果まとめ（Claude Mythos / Claude Opus 4.6 / GPT-5.4 / Gemini 3.1 Pro） SWE-bench Verified: 93.9% / 80.8% / — / 80.6% SWE-bench Pro: 77.8% / 53.4% / 57.7% / 54.2% SWE-bench Multilingual: 87.3% / 77.8% / — / — SWE-bench Multimodal: 59.0% / 27.1% / — / — Terminal-Bench 2.0: 82.0% / 65.4% / 75.1% / 68.5% GPQA Diamond: 94.5% / 91.3% / 92.8% / 94.3% MMMLU: 92.7% / 91.1% / — / 92.6–93.6% USAMO: 97.6% / 42.3% / 95.2% / 74.4% GraphWalks BFS 256K–1M: 80.0% / 38.7% / 21.4% / — HLE (ツールなし): 56.8% / 40.0% / 39.8% / 44.4% HLE (ツールあり): 64.7% / 53.1% / 52.1% / 51.4% CharXiv (ツールなし): 86.1% / 61.5% / — / — CharXiv (ツールあり): 93.2% / 78.9% / — / — OSWorld: 79.6% / 72.7% / 75.0% / —
新しいベンチマークが必要だね… ARC-AGI-3が50%未満の唯一の残されたベンチマークかも。
こんな大きなジャンプ、何年ぶりだろう？早くリリースしてほしいけど、今はリーダーだから必要ないのかな。
正直、みんなGPT-5.4を過小評価してるよ。最近のClaudeユーザーの増加（そしてますます不安定なプラットフォーム）で、Codexも私の使用リストに加わって、驚かされてる。
本当に信じられるのはSWE-bench Verifiedだけ。オーバーフィットすることがないからね。
これって公平な比較なの？ Mythosは5.4ウルトラやGemini Deepthinkのようなモデルになりそうで、アクセスが制限されて、クエリごとのトークン使用量がすごいことになりそう。
これ、ヤバくない？みんななんで騒がないの？能力の跳ね上がりが半端ないんだけど。誰かいる？
彼らが言ってた通り、今までで最大のモデルを訓練したから、提供するのは高くつくし、一般には出回らないだろうね。おそらく、軽量モデルを訓練・蒸留するために使われると思う。私にとってワクワクするのは、その軽量モデルの改善だね。
「使えないモデルの方がベンチマークではずっと良い」選んでみて: コメディのように巨大なモデル、10e12Wでのテスト時間のスケーリング、ベンチマークの過剰適合
実際の使用を見てから判断して。ベンチマークの数字が必ずしも実世界のパフォーマンスに直結するわけじゃないからね（少なくとも同じ割合では）。
やばい、めっちゃ焦ってる。これがさらに一、二回進化したら、世界はすごく混乱すると思う。
Anthropicは、自社のモデルが常に改善されていることを示さなきゃいけない。もしモデルがほとんど改善されていなかったら、彼らの評価に大きなダメージを与えることになる。これを検証する手段がないし、Anthropicの主張を裏付ける独立した研究者もいない。彼らが面白いセキュリティホールを見つけたことは疑わないけど、実際にどうやって見つけたのかが問題だ。このシステムカードはただの営業用ホワイトペーパーで、1週間ほど前の「リーク」を確認するだけのものだね。