テクノロジー
「中国最強AI」の性能は偽装か。米政府の未公開テストが暴いたDeepSeek V4 Pro“8ヶ月の遅れ”の真実
AIの真の推論能力を測るため、NIST傘下のCAISIが非公開テストを実施した結果、中国のDeepSeek V4 Proは公開ベンチマークでの自己申告とは異なり、米国の最先端モデルに約8ヶ月の遅れをとっていることが判明した。これは、公開テストへの過剰適合を排除し、米中間のAI技術格差を冷徹に浮き彫りにした評価である。
Term
GPQA-Diamond
別名: GPQA Diamond
Overview
最終更新: 2026年7月9日生物学、物理学、化学などの分野において、その分野の博士号保持者でも回答が困難なレベルの問題を集めたデータセット。AIの高度な専門知識と推論能力を測定する。
Mentioned Articles
2 件
External Mentions
7 件- arXiv SuperThoughts: Reasoning Tokens in Superposition
- arXiv ATLAS: Agentic Test-time Learning-to-Allocate Scaling
- arXiv Not All Flips Are Conformity: Decomposing Stance Convergence in Multi-Agent LLM Debate
- arXiv Reasoning with Sampling: Cutting at Decision Points
- arXiv TRACER: Turn-level Regret Matching with Inner Reinforcement Credit for Cooperative Multi-LLM Reasoning
- arXiv Detection Without Correction: A Two-Parameter Decomposition of Multi-Stage LLM Pipelines
- Hacker News Show HN: AutoThink – Boosts local LLM performance with adaptive reasoning