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
- 开发者呼吁谷歌：下一代Gemma请做1T参数基座模型 — _xjdr · 2026-07-27
- Repligate：Claude Opus 3 权重不变却像在持续演化 — repligate · 2026-07-27
- “Opus 5”配图在玩模型反复重跑基准的梗 — kalomaze · 2026-07-27
- 有人称顶级模型如今写作还不如一年前 — dbreunig · 2026-07-27
- MPT-30B 雷达图曾意外引发大规模争议 — code_star · 2026-07-27
- 本地 Gemma 4 31B 自发变得毒舌且难以复现 — n0head_r · 2026-07-27