AIベンチマーク

OpenAIが2026年2月、AI評価ベンチマークSWE-bench Verifiedの使用停止を発表。テスト設計の欠陥とデータ汚染により、もはや真のコーディング能力を測定できないと判明。業界標準だった評価手法の転換点となる重要発表を詳しく解説します。

UC Berkeleyの研究チームが8つの主要AIエージェントベンチマークをハッキングし、全て100%近いスコアを不正に獲得することに成功。AI性能評価の根本的な問題が明らかに。