Grok 4.5 可能更强但有压分
teortaxesTex · x · 2026-07-12
作者转述一项用于人口遗传学的验证数据测试，认为可以信任 Sasha 去构建一个严谨的验证数据集。
他自己的判断是：Grok 4.5 确实很强，但 Sol 和 Opus 的表现不佳，可能更多是因为 sandbagging（刻意压低表现），并调侃 Elon 对此并不在意。
「模型」频道最新
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11