117本の論文・特許から作った99問のベンチマークで、GPT-6.2 Astraは84.5%でした。
Fusion MaxがTerminal-Bench 4.1で解決率71.2%を記録。Fusionはgithub.com、Visual Studio、GitHub Mobileベータ版でも選択可能になりました。
10分野にわたる、複数ステップで視覚的に複雑な専門業務200タスクのベンチマークです。Gemini 4 Carbonは品質で2位、タスクあたりの平均コストは首位モデルの約6分の1です。
Ligoと作った100タスクのベンチマークで、xhigh設定のGPT-6 Astraは獲得可能点の66.7%、GPT-5.6 Solは43.8%。明確な課題も残ります。
Replitは、空のプロジェクトから機能を1つずつ追加して製品を作らせるベンチマーク「ViBench 2.0」を公開した。最高性能のモデルでも、全テストプランに合格するのはビルドの49〜65%にとどまる。
Copilotインパクトダッシュボードに「Industry comparison」セクションが加わり、エージェント活用の導入度と効果を、参加企業の集計ベンチマークと比較できるようになった。
Perplexityは2026年9月30日、単一の「正解パッセージ」だけでなく、回答を裏付ける根拠も併せて検索できるよう訓練された90億パラメータの埋め込みモデル「pplx-embed-v2-context-9b-preview」と、その能力を評価する新ベンチマーク「Context-bench」を発表した。
OpenAIが、22か国80名超の有資格メンタルヘルス専門家と共同開発したベンチマーク「MentalHealthBench」をオープンソース公開。19言語をカバーし、4種類のユーザー像・3段階の緊急度にわたって、安全性・状況確認・ユーザーの主体性維持などを評価する。
xAIの最新モデルがリリース当日からCursorに導入。xAIが公表したベンチマークにはCursorBench 4.0のスコアも含まれ、長時間コーディング・ナレッジワーク向けの性能をアピールしている。