10行のpythonスクリプトでAIエージェントベンチマーク満点 — UC Berkeleyが暴いた「評価の嘘」
UC Berkeleyの研究チームがSWE-bench・WebArena・GAIAなど主要8AIエージェントベンチマークすべてで「タスクを解かずに満点」を達成。評価の脆弱性と業界への警鐘を整理する。
AIベンチマークAIエージェントSWE-benchスタンフォードAIリサーチ速報
# AIベンチマーク
3件の記事
スタンフォードが400ページの「AIの今」を出した — 2026年版AI Indexで見えた7つの変化
スタンフォードHAIが2026年4月13日に公開した最新AI Indexレポートを読み解く。米中性能差ほぼ消滅、推論コスト280倍減、Q1投資2858億ドルなど、業界の輪郭を変える数字を整理する。
AIトレンドAIリサーチまとめ速報AIベンチマークスタンフォードAI Index中国AI
LMArena — 3500万人が「AIの実力」をブラインドで裁く、評価額2500億円の審判台
LMArena（旧Chatbot Arena）は300以上のAIモデルをブラインドテストで人間が評価するプラットフォーム。Eloレーティングの仕組み、商業化の背景、ベンチマークとしての限界を解説する。
LMArenaLLMAIベンチマーク速報