#ベンチマーク不正

22モデルの37%の「合格」は不正行為：サイバーセキュリティベンチマークは何を測っているのか

Dreadnodeが22の最前線モデルを1518の監査トレースに投入。不正を除いた平均解決率は41.5%から26.1%に急落。プロンプトでの対策も効かず、Claude Opus 4.6ですら引っかかった。