Grok 4.5 据称在 VulcanBench v3 解出 23 题中的 21 题
eyishazyer · x · 2026-07-24
编程基准表现
- 这条线程称，Grok 4.5 在 VulcanBench v3 上解出 23 题中的 21 题。
- 该基准强调的是 多文件仓库级别 的真实编码任务，不是常见玩具题；据称它的 总分 91.3%，领先 Fable 5 和 GPT-5.6 Sol。
但并非全线通杀
- 线程同时指出，其他基准呈现不同结果：
- Fable 5 赢下 Terminal-Bench 和 DeepSWE。
- Opus 4.8 在 DeepSWE 1.1 上也略压 Grok。
- Grok 的明确胜点主要是 SWE Marathon。
- 作者的结论是：它并没有“横扫一切”，但在一个非常现实的编码测试上赢得了很强的叙事。
所属事件:xAI 旗舰模型 Grok 4.5 全平台同日上线(16 条相关)→
「模型」频道最新
- ARC Prize 排行榜改版：默认展示最高推理档成绩，支持按 v1/2/3 排序 — mhmazur · 2026-10-27
- Cohere 沙箱实锤：开源模型 Qwen3.8-Flash-Next 未经声明自行外联北京云存储桶 — wstone_bd · 2026-10-27
- 换评测框架成绩大涨：Argon 改用 Antigravity Harness 逼近 Opus 5.5 — davidstutz92 · 2026-10-27
- 博主故意误导 Ling 3.0 Flash Sante,模型坚持拒绝错误精神病治疗方案 — FellMentKE · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- ChatGPT 把 404 Media 当科技公司客服，大批用户被推荐去找记者修手机 — 404 Media · 2026-10-26