Grok 4.5 对上 DeepSeek-V4-Pro，但仍不适应 WeirdML 形式
teortaxesTex · x · 2026-07-23
这条在聊 Grok 4.5 和 DeepSeek-V4-Pro 的对比，核心信息来自引用里的 WeirdML 评测结果：Grok 4.5（high）得分 46.4%，低于 Grok 4.3 的 49.9%。
作者的判断是，Grok 4.5 看起来比早期版本更聪明，但问题不在“会不会做题”，而在于它经常不适应评测形式：有时只是在探索数据，却没有真正提交分类/预测结果；甚至有两个任务在 5 次迭代里都一次预测没交，直接拿到 0 分。
这条帖子的结论是，WeirdML 这种任务更像在考验模型是否被专门训练过要尊重约束，而不只是泛泛的能力强弱。
「模型」频道最新
- 曝 Meta Muse Agent 内置邀请码逻辑,或携额外免费额度上线 — testingcatalog · 2026-09-11
- 同题 Echo Maze 实测:三大模型看似成功,代码里藏着同一个 bug — eyishazyer · 2026-09-11
- 新基准一出分数暴跌 70 点:「刷榜」现象如何让跑分失真 — airesearch12 · 2026-09-11
- ChatGPT 竟劝用户「问题太复杂,去试试更笨的回答」 — phido3000 · 2026-09-11
- Anthropic 调整年龄验证,Claude 不再向未成年人开放 — Muhammad523 · 2026-09-11
- 有人要建全模型基准分数汇总页 — airesearch12 · 2026-09-11