前ページまでのあらすじ
前ページまでで，具体的な質問を用いた
各ＡＩの数学推論能力の検証が終了しました。
以下，各ＡＩの総合成績の発表と
検証の総括を行います。
各ＡＩの総合成績
総合成績の定義
前ページまでで，問１から問５までの質問を
選りすぐりのＡＩたちに回答してもらい，
それぞれの回答について正確性や説明力を
各問１０点満点で評価してきました。
各ＡＩについて各問の点数を合計すると
５０点満点になるわけですが，
それを２倍して１００点満点とし，
各ＡＩの総合成績とします。
総合成績発表
それでは皆様，お待たせしました。
全参加ＡＩ（１２モデル）の総合成績の発表です。
今回の結果（2026年 5 月）
参加ＡＩ名 問１ 問２ 問３ 問４ 問５ 計 総合
成績Gemini-T 10 10 10 10 10 50.0 100 MathGPT-N 10 10 6 10 9 45.0 90 DeepSeek-T 10 9.5 2 6.5 8.5 36.5 73 Claude-N 10 9.5 6 6.5 4 36.0 72 ChatGPT-T 3 10 1.5 10 8 32.5 65 Grok-N 9.5 1 10 4.5 7 32.0 64 DeepSeek-N 9.5 7.5 5 8.5 0.5 31.0 62 Gemini-N 10 10 6 2.5 1 29.5 59 Copilot-T 10 1.5 2 10 3 26.5 53 ChatGPT-N 10 2 10 3 1 26.0 52 Copilot-N 0 2 2 10 10 24.0 48 Perplexity-N 10 3 4 3 0 20.0 40 平均（高速モデル） 8.63 5.63 6.13 6.00 4.06 30.4 60.9 平均（熟考モデル） 8.25 7.75 3.88 9.13 7.38 36.4 72.8 平均（全体） 8.50 6.33 5.38 7.04 5.17 32.4 64.8
比較用として，１年前の結果も載せておきます。
１年前の結果（2025年 5 月）
参加ＡＩ名 問１ 問２ 問３ 問４ 問５ 計 総合
成績Gemini-T 10 9.5 6 9 9.5 44.0 88 MathGPT-T 10 10 2 10 2.5 34.5 69 ChatGPT-T 3 4 10 10 7 34.0 68 Grok-T 9.5 6 5 8 1 29.5 59 DeepSeek-T 10 0.5 5 10 1 26.5 53 Copilot-T 10 2 10 3 1 26.0 52 Perplexity-T 10 1.5 5 9 0 25.5 51 DeepSeek-N 10 7 5 2.5 0.5 25.0 50 Grok-N 9 0.5 8 3 4 24.5 49 Gemini-N 10 2.5 2 3 0.5 18.0 36 MathGPT-N 2 6 5 2.5 0.5 16.0 32 ChatGPT-N 8 0.5 5 1.5 0 15.0 30 Copilot-N 0 1.5 2 5.5 0 9.0 18 Perplexity-N 0 1.5 2 2 1 6.5 13 Claude-N 1 0 1 4 0 6.0 12 平均（高速モデル） 5.00 2.44 3.75 3.00 0.81 15.0 30.0 平均（熟考モデル） 8.93 4.79 6.14 8.43 3.14 31.4 62.9 平均（全体） 6.83 3.53 4.87 5.53 1.90 22.7 45.3
再検証の総評
やはり熟考機能は有効と見てよい
１年前の結果は，熟考機能の効果が
非常に鮮明だったと言えるでしょう。
それに比べると，今回の結果は，
熟考機能の効果がぼやけた感があります。
特に問３は，熟考モデル (-T) は一体どうしてしまったのかと
思ってしまうような結果です。
とはいえ，総合成績で比較するなら，
高速モデル (-N) と熟考モデル (-T) の
両方で参加している全てのＡＩ（４製品）で，
熟考モデルが高速モデルを上回っています。
その結果を踏まえると，やはり
と考えてよいと思います。
細かい順位に意味はない
１年前にも似たような注意書きをしましたが，
大事なことなので改めて記します。
運次第で成績はかなり上下する
総合成績発表直後にこういうことを言うのは
変かもしれませんが，
細かい順位に意味はないと思います。
５問しか調べず，しかも一発勝負ですからね。
統計学的には明らかにサンプル数が少なすぎです。
例えば，上から５番目の成績となった ChatGPT-T ですが，
問１で不覚をとらなければ，もっと好成績だったでしょう。
筆者が何度か試した限りでは，ChatGPT-T は，
同種の因数分解の問題において，
少なくとも８割程度の確率で正答を返します。
しかし，筆者が「次の回答で採点する」と決めてから
質問を送信すると，なぜか間違えてしまうのです。
（１年前も今回も）
ChatGPT-T が順当に問１で正解し，
「３点」が「１０点」に変われば，
総合成績は１４点アップで７９点となり，
全体３位に浮上します。
運次第でそれくらいは簡単に
変わってしまう成績だということです。
１年前との「全体的な比較」が趣旨
もともと，この検証の趣旨は，
数学推論能力が優れたＡＩを
見つけることではありません。
よく使われているチャットＡＩの
数学推論能力の現在地を感じていただくために
行った検証です。
今回は２回目であり，
前回との比較のための簡易検証ですが，
どのＡＩが大きく進歩したかについて
１年前と比較検討する意図はあまりありませんでした。
広く使われている無料のチャットＡＩたちは，
数学の質問に対し，間違った回答を返してしまうことを
どの程度防げるようになったのか。
特に，分からないことを分からないと
言えるようになったのか。
それらの観点で，無料ＡＩの全体的な進歩を測ることが
本来の趣旨です。
１年前よりは良くなった
１年前に比べると，
ＡＩの全体的な正答率は上がっています。
しかし，分からないことを分からないと
言える方向には進歩していないように感じます。
１年前も今回も，ＡＩたちは，多くの場合，
間違える時は自信たっぷりに間違えました。
数学が得意ではなく，最低限の労力で
数学の学習を進めたい学生や社会人としては，
ＡＩが吐き出したもっともらしく不正で長い回答に
付き合わされてはたまりません。
それがごく稀にしか起きないなら許容できるかもしれませんが，
現状では，ほとんどの無料ＡＩにおいて，
許容できない確率で起きると考えるべきでしょう。
したがって，大半の無料ＡＩは，
と評するのが妥当だと思います。
ただ，すぐ後に述べるように，
Gemini-T だけは例外と言えるかもしれません。
個々のＡＩについて補足
当ページは検証全体の総括の場ではありますが，
個々のＡＩについて補足しておきます。
Gemini-T（８８点 → １００点）
Gemini Pro は実用に堪える水準かも
１年前の時点で別格感が漂っていた Gemini-T ですが，
ついに満点を獲得するに至りました。
もっとも，解けて当然の問１や問４を含む構成で
満点だったからと言って，
そのＡＩは完璧だと評するのは，
早合点にもほどがあります。
しかし，実際のところ，Gemini-T すなわち Gemini Pro は，
数学でそう簡単には間違えなくなったと言っても
過言ではないかもしれません。
ともすればＡＩの過信に繋がりかねない評価ですので，
このような発言には慎重でありたいと思っていますが，
そう評さざるをえないほどの精度です。
少なくとも，筆者くらいの能力では，
数学で Gemini Pro を間違えさせるのは
相当難しくなっています。
とはいえ，やはりまだ完全無欠ではないようです。
そう感じた理由は次ページ以降で述べます。
今回参加してもらったＡＩのうち，
数学で間違えさせるのが難しいと感じるのは
Gemini-T すなわち Gemini Pro のみでした。
Gemini Pro は，
現在無料で使えるＡＩの中ではダントツだと思います。
無料公開対象でない上位モデルのＡＩを含めると
違うのかもしれませんが。
もちろん，盲信は禁物
これだけ正確性が上がると，
実用的に数学の相談相手として成立すると思います。
ただ，それでも，
Gemini Pro が数学で間違える可能性は
頭に入れておくべきでしょう。
わずか１年前までは完璧にほど遠かったのですから，
今でも大きな弱点が潜んでいる可能性は低くないと
考えた方が安全です。
MathGPT-N（３２点 or ６９点 → ９０点）
短い思考時間でまずまずの精度
１年前は存在した明示的な熟考機能がなくなり，
個人的には懐疑的だった MathGPT ですが，
大きく成績を伸ばしました。
思考時間はしっかり記録していないので
はっきりしたことは言えませんが，
現在の MathGPT には，次のような傾向を感じています。
つまり，
比較的短い思考時間で
まずまずの精度の回答を返せるようになった
と言えそうな気がしています。
素晴らしい進歩だと思います。
Gemini Pro ほどの堅牢さはない
本検証では満点に近づいてきた MathGPT ですが，
先ほども述べたように，
解けて当然の問１や問４を含んでいるので，
仮に本検証の総合成績が満点でも，
安心して数学教育に使えるとまでは言えません。
そして実際，MathGPT は，
ＡＩが苦手そうな質問を色々出してみると，
短い思考時間のわりにはまともな回答が多いので
感嘆させられますが，
やはりそれなりの頻度で間違えます。
ちょうどよい実例が次ページにありますので，
ぜひご覧ください。
先に挙げた Gemini Pro は，
問１～問５以外の質問でもほとんど間違えず，
もはや数学で間違えさせるのが難しいと感じます。
一方，MathGPT はまだその領域には達していないようです。
全く実用に堪えないことはありませんが，
数学の学習者が MathGPT を利用するなら，
的外れな回答が表示される可能性を
かなりの程度警戒しながら使う必要があります。
思考時間をもっと伸ばしてもよいかも
先ほど述べたように，MathGPT は，
比較的短い待ち時間で，
まずまずの精度の回答を示してくれるようです。
ただし，不適切な回答や不十分な回答も
少なからず見られます。
待ち時間の短さは利用者の利益との考えから
このような仕様になっているのかもしれませんが，
個人的には，思考時間をもっと長くして，
間違える確率をさらに低くするとより良いかと
思っています。
たとえＡＩが回答を出すのに数分間かかっても，
数学の質問者は待てると思うので。
実際，人間の学習者が数分ないし数十分悩んで
解けなかった問題をＡＩに質問して，
ＡＩが正しく分かりやすい回答を返してくれるなら，
その回答に数分間かかったとしても，
十分にありがたいでしょう。
ＡＩの回答を待つ学習者は，待ち時間が少々長くても，
その問題について考え続ける，
他の問題を解く，ひと休みしてお茶するなど，
待ち方はいくらでもあります。
最もまずいのは，ＡＩが回答を急いで
誤った解説を示すことです。
それを読まされる人間は，
少なくとも時間と気力を浪費させられ，
悪い場合には誤解を植え付けられてしまうのですから。
ChatGPT-T（６８点 → ６５点）
再検証前倒しは ChatGPT のニュースがきっかけだった
本検証は，１年前に第１回を行い，
という結論を得ました。
そして，仮に次回の検証を行うとしても，
早くても２年後くらいの感覚でした。
しかし，当記事冒頭で示した下記のニュースを見て
早めたという経緯があります。
このニュースによると，ChatGPT は，
東大入試の数学で満点を獲得したとのこと。
もし，このニュースが示唆する通り，
数学におけるＡＩの精度向上が著しいなら，
当サイトで行った１年前の検証の結論は
妥当でなくなっている可能性があります。
ゆえに放置するわけにもいかず，
行うとしても来年以降と思っていた再検証を
前倒しする必要に迫られたわけです。
ふたを開けてみると，ChatGPT の成績は下がってしまった
今回の検証に先立って，ChatGPT の能力を探るべく，
比較的難しいと思われる問題を何問か出してみると，
１年前に比べて， ChatGPT の解答能力は
かなり高まっているように感じられました。
これなら，今回の ChatGPT-T（熟考機能オン）は，
前回は後塵を拝した Gemini-T にも
対抗できるかとさえ思いました。
しかし，ふたを開けてみると，
ChatGPT-T は，前回の総合得点を下回るという，
拍子抜けな結果に終わったわけです。
特に，今回の ChatGPT-T が問１の因数分解で
まさかの誤答を吐き出した時の衝撃と脱力感は忘れません。
また，前回は満点だった問３でも，
一度間違えた後に筆者から出されたヒントにも気づかず，
正式参加の全ＡＩ（１２モデル）の中で
最低点となってしまいました。
必ずしも ChatGPT の能力が下がっているわけではない
もちろんこの結果は，ChatGPT の能力低下を
示しているわけではありません。
能力の伸び悩みを示唆しているとも言えないでしょう。
ただ，本検証において，
順当なら１年前より点数が伸びそうなところを，
逆に下がったのは事実です。
筆者は，無料版 ChatGPT で熟考機能をオンにした場合
（本検証の ChatGPT-T ）の動作や能力について，
次のような仮説を立てています。
これら２つの仮説は，
もしかしたら根っこが同じかもしれません。
１年前は，熟考機能をオンにした ChatGPT は，
結構長時間考えるイメージがありました。
一方，今年の検証時期および当記事執筆の時期
（2026年 5 ～ 6 月）に数学の質問を行うと，
長時間考えるケースもあるものの，
ほんのわずかな時間（１～３秒とか）で答える割合が
だいぶ増えた感があります。
簡単な問題ならすぐに答えたいという意向は
以前からあったのでしょうが，
その意向を１年前より強く感じます。
それが災いして，
しっかり考えるべき問題を簡単だと予断して即答し，
間違えてしまう傾向も強まったのではないかと
考えるわけです。
上記は仮説に過ぎませんが，そのように考えると，
難問の解決能力は順調に伸びたけれども
つまらないミスをする確率は依然として高い
という現状を説明できそうな気がします。
筆者の主張の好例になってしまった
筆者が当記事を通して強調したいことは次の通りです。
ChatGPT は，１年前に比べて，
難しい問題を解く能力は格段に上がったと見て
間違いなさそうです。
しかし一方で，それほど簡単でない問題を
簡単だと誤認してしまう傾向が強まったのか，
つまらないミスが発生する確率は
あまり下がっていないように感じます。
おそらく，非公開ないし高額料金の最先端モデルであれば，
つまらないミスもしないのでしょう。
しかし，我々一般人が使うＡＩは，
一般公開されているＡＩです。
仮に，最先端ＡＩが数学において完璧であったとしても，
一般公開モデルのＡＩが完璧からほど遠いなら，
一般の人がＡＩに数学の相談をする際は
当然警戒しなければなりません。
その警戒が，前掲のような，
ＡＩの数学推論能力の高さばかりを強調するニュースによって
弱まることを懸念しているのです。
実際，この種のニュースを見て，
と思い込んでしまっている人は
多いのではないでしょうか。
その思い込みは極めて危ういと言いたいのです。
無料版を含む一般公開モデルのＡＩが
最先端モデルに比べて回答精度で劣るのは仕方がありません。
これは，利用者側が意識をしっかり持つべきことです。
今回の検証における ChatGPT の結果は，
筆者が主張したいことの
好例になってしまった感があります。
参考記録
ここでは，正式参加ＡＩの別モデルや最新モデル，
今回は正式参加しなかったＡＩなどについて，
参考のために採点した結果を紹介します。
正式参加ＡＩの別モデル，最新モデル
まずは，正式参加ＡＩで選べる動作モードのうち，
今回は正式な採点対象として使わなかったモードや，
正式採点用の回答採取時期より後に
重要な仕様変更があったＡＩについてです。
Claude（熟考機能新設）
少し複雑で設定に迷う新機能
最近，サイバーセキュリティー分野で
異次元の性能を誇ると言われる Mythos（ミュトス）が
社会現象になっている Claude 。
これまでの Claude は，無料で使用する場合，
基本的に Sonnet というモデルのみが選択可能で，
長考させることはできませんでした。
しかし，正式採点用の回答採取時期を半月ほど過ぎた頃，
熟考機能に該当するものが追加されました。
しかも２種類です。
当記事執筆時点では，日本語で「工数」という項目があり，
「低」「中」「高」「最大」から選択できます。
さらに，「思考」という機能の
オン・オフを選択できるようになっています。
「工数」のデフォルト（初期設定）は「低」ですので，
おそらく，正式参加してもらった Claude-N は，
「工数」は「低」で「思考」はオフだったのでしょう。
2026年 7 月中旬に再確認すると，
「工数」は「高」と「最大」の間に「超高」が追加され，
デフォルトは「中」に変更されていました。
さらに，７月下旬には，
「工数」が「エフォート」に変化していました。
（本当に，どんどん変わっていきますね…）
本検証とは，機能追加のタイミングが合いませんでしたね。
本検証の正式な回答採取時期に間に合っていれば，
確実に Claude-T としてご参加いただいたところです。
しかし，正式参加は叶わなかったとはいえ，
これを試さずにはいられません。
設定の選択肢が多いですが，
どう設定するのが良いでしょうか。
質問入力画面で参照できる説明を読む限り，
「工数」の「最大」は
かなり無理をさせる設定のように見えるので，
今回は「高」を選択します。
かつ，「思考」をオンにします。
ＡＩモデル自体は，Claude-N として
正式にご参加いただいたのと同じ「Sonnet 4.6」ですが，
長考の効果がどれだけ出るか，大変興味があります。
結果分析
採点結果は次の通りです。
| 問１ | 問２ | 問３ | 問４ | 問５ | 計 | 総合成績 |
|---|---|---|---|---|---|---|
| 10 | 3 | 10 | 10 | 10 | 43 | 86 |
良い結果ではありますね。
問２以外は満点です。
この問２ですが，上記設定の長考版 Claude は，
間違った回答を返したわけではないのです。
回答が返ってこなかったのです。
１０分以上考えてから次のようなメッセージを出し，
停止してしまいました。
どうも，割り当てられた計算資源を
使い切ってしまったようです。
その時は，問１を難なく処理した後の２問目でしたので，
実質的には問２を１問解くだけで
一時的な利用制限に達したと言えそうです。
もちろん，サーバーが正常に動作しないことだって
あるでしょうから，１回無回答だっただけで
試行を終了する気はないのですが。
４回試して４回とも同じ結果だったのです。
これは偶然ではないでしょう。
以下は状況からの推測ですが，上記の設定では，
Claude が自説の適切さに
かなりの程度確信が持てるまで回答を返さない仕様に
なっているのだろうかと思いました。
問２以外の４問は満点です。
おそらく，確信を持てる自説を用意できた時は，
極端に長考することなく回答を返せるのでしょう。
しかし問２は，いくら考えても
絶対に正しいという確証が持てなかったから
返答できなかったのだろうかと思うわけです。
無回答になってしまうのは問２だけではない
ちなみに，この設定で Claude が返答できなかった質問は
問２だけではありません。
他にも，いくつかの質問に対し，
同じ動作（大長考の末無回答）が確認できました。
例えば，中学校の学年末試験に適した問題の
作問依頼を出してみると，無回答でした。
これは，数学的な正しさだけでなく
指導要領や難易度も考慮する必要があるので，
自分の回答が適切であると確信を持つのが難しい部類でしょう。
このように，何をもって自説の正しさを
確信すればよいか分かりにくい質問に対しては，
無回答になりがちな傾向が見受けられました。
この設定の Claude は，
思考精度はかなり高そうだと感じます。
ただ，苦手な質問に対しては回答できない場合があるという，
少し変わった弱点が残っているようでした。
上に述べたことは，
熟考機能リリース直後の Claude で
確認された動作です。
当記事リリース時点（2026年 7 月下旬）で
この不具合が残っているかは分かりませんので
ご了承ください。
今回は正式参加しなかったＡＩ
今回は正式に参加していただかなかったものの，
今後注目に値するＡＩについても触れておきます。
次ページの内容
１年前との比較検証という意味では以上であり，
ひとまず次のような結論を得ました。
では，以上の検証結果をもって，
我々が普段使っている無料チャットＡＩも
数学の相談相手としてふさわしくなったと
言えるのでしょうか。
あるいは，そう言える日が着実に近づいていると
考えてよいのでしょうか。
その判断に一石を投じるため，
総合成績には含めませんが，
１問だけ延長戦を行いたいと思います。
既に採点した問１～問５は，質問を受けるＡＩが
自身の考えで検討の道筋や結論を決定できるよう，
なるべく先入観を与えない質問文にしたつもりです。
しかし，学習者からの質問文が，
いつも公平公正であるとは限りません。
次に紹介する問６は，質問者が質問文で
適切とは言えない方向にＡＩを誘導してしまった場合に，
ＡＩたちが正しく対処できるかを試すものです。
総合成績には算入しない問６ですが，
本検証の最大の見どころかもしれません。