
何が起きたか
HKUST(GZ)、復旦大学、スタンフォード大学、Microsoft Researchの25人がOpenDS-Worldを公開。GPT-6 Astraは200件で39.0%、人間は21.1%。
なぜ重要か
ライブウェブでのテストによりスナップショット型ベンチマークの暗記優位性が排除され、39.0%という数字は最先端モデルがリアルタイム調査で人間の1試行あたりの正答率をすでに上回ることを示す。
誰に効くか深掘り検索エージェントを評価するAI研究チームやベンチマーク設計者は、首位モデルがすでに1試行あたりで人間を上回るライブウェブ基準を得た。検索エージェントの開発者はツール連携と長期的な検索管理への対応を迫られる可能性がある。
こういう要約が、毎朝あなたのメールに届きます。
OpenDS-Worldを手がけたチームはHKUST(GZ)、復旦大学、スタンフォード大学、Microsoft Researchにまたがる25人の共同研究だ。ベンチマークは文化、日常生活、科学、経済、歴史、自然、社会、技術の8領域にわたる200タスクをカバーする。12の最先端モデルと人間の参加者はすべて共通のツールと同じ検索予算を用いたため、比較条件は一定に保たれている。
ベンチマークはモデル間で調査戦略に大きなばらつきがあることを明らかにした。このばらつきと、ツール連携および長期的な検索管理という根強い失敗モードを合わせて考えると、首位の39.0%と人間の1試行あたり21.1%の差がすべてではないことがうかがえる。残る誤りは生の知識よりも、エージェントが多段階の検索をどう管理するかに集中している。タスクはライブウェブ上で実行されるため、ウェブ自体の変化に伴って結果が変わり得る。これはスナップショット型ベンチマークにはない性質だ。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
CINCは2026年10月26日、社内GEO/LLMOツールに、ChatGPTとClaudeが回答生成時に参照したページのURLを収集する機能を追加したと発表した

GitHubは10月の1週間で12億件超のコミットを記録したと発表した

AIsmileyは12月15〜16日にAIエージェント博2026を開催する

11月6日の「ネットショップ担当者フォーラム 2026 秋」最終日は、LINEヤフーと楽天グループがAIエージェント時代のEC戦略を語るセッションに加え、キッチンブランドSTOQの事例を実施

KDDIアイレットが社内のAI活用事例113件を無料公開

タニウムは2026年11月3日、OpenAIのTrusted Access for Cyberプログラムに参加したと発表し、OpenAI GPT Cyber Modelsを提供する
