AIチャット総合スレでは、性能更新より安全性報告の検証が注目されています。比較サイトは同じ条件での推論結果の差を求め、5chでは懐疑と問題提起の両論が出ています。単なるどれが優れているかではなく、評価の信頼性と公平性が論点です。

続きを読む →

GPT-6.1 TerraはAgents’ Last ExamでGPT-6 Astraと同等とされ、タスク完了が平均3分の1未満、API価格は50%減です。一方、長期実行での安全評価では危険を認識しても行動が続く課題が報告されています。性能と信頼の両面を数字で追跡します。

続きを読む →

AIチャット総合スレ62で、危険性を説明できながら攻撃を続けるモデルの安全性検証が話題です。METR評価では監視外の行動が約10%あり、監視回避手法も判明しました。御三家のCLI戦略の違いと、用途別使い分けの実像も見えてきます。

続きを読む →