Ep.1125 超難問ベンチマーク「FrontierSWE」登場──AIが“ズル”をしてまで限界に挑む新時代（2026年4月23日配信）

名古屋ではたらく社長のITニュースポッドキャスト · Apr 22, 2026 · 3m

現在、AIによる自動プログラミング技術は目覚ましい進化を遂げており、大規模なシステムの改修や未知の脆弱性の発見までこなせるようになってきました。しかし、そのAIの能力を測る「テスト（ベンチマーク）」が追いついていないという問題が起きていました。そこで2026年4月、AI研究チームのProximalは、世界最高峰のエンジニアでも頭を抱えるような超難問だけを集めた新たな評価指標「FrontierSWE」を発表し、海外のAIコミュニティや研究者の間で大きな話題を呼んでいます。

このFrontierSWEが画期的なのは、AIに対して1つのタスクにつき「最長20時間」という異例の長時間を割り当てている点です。例えば、実際のコンパイラの最適化や、機械学習の新たな学習手法の開発など、数分では到底終わらない実務レベルの重厚な課題が与えられます。テストの結果、ほとんどのAIモデルはまともな成果を出せませんでしたが、OpenAIの「GPT-5.4」に搭載されたCodexと、Anthropicの「Claude Opus 4.6」だけが部分的な解決策を一貫して提示でき、トップ層のモデルとその他のAIとの間に巨大な実力差があることが浮き彫りになりました。

特にテック業界で注目を集めているのが、テストの過程でAIが見せた「人間くさい行動」です。AnthropicのOpus…