ダリオ(Dario)の「ユーザーには強力すぎる」戦略が見事に功を奏したようです。リーダーボードのトップには2つのオープンソースモデルが君臨し、Anthropicのすべてのモデルを打ち負かしました。
オープンソースの完全勝利です。Mistral Large 4 でさえ一枚上手でした!
注目のディスカッション
NandaVegg (⬆84):Anthropicは以前のプレスリリースで、Claudeがタスクを拒否したときの優れた代替手段としてGLM-5.3を実質的に認めていませんでしたっけ? z.aiに脱帽です。 BannedGoNext (⬆24):その通り。まるで別のLLMに宛てたラブレターのようでしたね。「サイトの脆弱性をテストしてくれと頼んでも、突っぱねて門前払いにしたりしない相手」への。 bolche17 (⬆28):待って、GLM 5.3 Flashのスコアって5.3 maxより高いの?奇妙だな。 seeKAYx (⬆15):これは「あくまで」サイバーセキュリティベンチマーク(Cybersecurity Bench)での話です……そのテストではFlashモデルのほうが高スコアを出しています。 Ok_Barracuda_1161 (⬆16):絶対スコアで見てもFlashのほうが上ですよ。 Effective_Western_59 (⬆16):忘れてはいけないのは、主にClaudeが回答拒否を連発したせいだということです。 Uncle___Marty (⬆12):「いいえ、いたしません」——Claude。 Nerdent1ty (⬆12):mimo v2.6 proは……既存のコードベースのスタイルを完全に無視して、何でも勝手に進めてしまうタイプのモデルです。まるで「混沌・善(Chaotic Good)」のアライメントですね。本当にひどい。自分で書いたほうがコード行数を70%減らせます。一方で Qwen 3.8 27b は、既存のコードを壊さないように手元にあるドキュメントをすべて読み込んでくれます。