实测 105 个真实 bug：Grok 4.7 得 28.7 分，未胜 Grok 4.6

PawelHuryn · x · 2026-09-22

PawelHuryn 在两个真实仓库里埋入 105 个 bug 测试各前沿模型的查错修复能力（每模型跑 3 次取均值）：GPT-6 Astra（max）45 分领先，Muse Spark 1.3 得 32.2，Grok 4.7 与 4.6（xhigh）均为 28.7，Opus 5 得 27，Qwen3.8-Max 得 25.7。Grok 4.7 相比 4.6 方差不大（25/30/31 vs 27/30/29），且无一超过 Muse Spark 1.3 的中位数——「这不是我们等的那款模型」。方法论要点：bug 为 2026 年初前沿模型曾漏掉的高难题而非随机 bug；模型主动多报的「未埋 bug」不计分（作者认为这是负分行为）；跨模型家族的裁判按密钥答案评分，未修完或漏报计 0 分。更多数据见其 benchmark 网站。