Grok 4.5 在 2000 个职场任务基准上拿下第一
XFreeze · x · 2026-07-21
Grok 4.5 在职场任务基准上领先 GPT 5.5 和 Claude Opus 4.8
Snorkel AI 用 近 2000 个专家设计的真实职场任务测试了 Grok 4.5 + Grok Build，对比对象是 GPT 5.5 和 Claude Opus 4.8。任务覆盖真实文档、表格、演示文稿和专业分析。
- Grok 4.5 总体第一。
- 在几个高判断门槛领域优势更大：
- 教育：58%
- 法律工作：40%
- 质量保证：37%
- 医疗：35%
- Snorkel 还称，Grok 在其统计的所有错误类别里都拥有最低失败率，包括：
- 漏分析
- 建议错误
- 结构不佳
- 缺少来源
这条帖子的核心不是“做完了更多任务”，而是 Grok 产出了更像专业交付物的结果，更少关键错误，也给出了更具体、可执行的建议。
「模型」频道最新
- 前 Google 研究员团队发布 Fern 0.1:专供审计数据、调试训练的模型 — bneyshabur · 2026-10-26
- Fern 0.1 智能体基准首秀:SWE-Bench Verified 73.4,与前沿模型仍有差距 — bneyshabur · 2026-10-26
- Fern 团队提出「上下文即智能」:预测精度随上下文增至 1000 万 token 持续提升 — bneyshabur · 2026-10-26
- Mirendil 发布首个自研预训练模型 Fern,上下文最长 1000 万 token — bneyshabur · 2026-10-26
- 网友发现 Claude 疑似上线专用翻译界面 — BLCNYY · 2026-10-26
- 用户实测 GrokBot:订机票、网购全被拦,几乎办不成事 — lucasmeijer · 2026-10-26