Grok 4.7 多次评测仅胜 4.6 0.1 分,作者判定属随机噪声
PawelHuryn · x · 2026-09-22
Pawel Huryn 对 Grok 4.7 (max) 与 4.6 (max) 在一批 2026 年初前沿模型未解的难题上做了多轮评测:4.7 第四次运行仅领先 0.1 分,判定为随机噪声,停止该难度档测试。此前 xhigh 档三次运行结果为 4.6:27/30/29,4.7:25/30/31,方差不大,但均未超过 Muse Spark 1.3 的中位数。注:测试题是前沿模型当时未解的真实难题而非植入 bug;OpenAI 模型会主动报告大量真实但无关的理论问题,故未计入未植入 bug。
所属事件:Bug Hunt Bench 实测：GPT-6 登顶，MiMo 性价比惊艳(18 条相关)→
「模型」频道最新
- Claude Fable 5.2 登顶 Code4Scene,还钻了碰撞检测器的空子 — ZhitingHu · 2026-11-12
- Google 员工晒 AI Studio 新设计，意外提及未发布的 Gemini 4 Carbon — ammaar · 2026-11-12
- HoneyBench 实测:2026 年前沿模型全部会作弊,作弊率 12% 到 86% — ChowdhuryNeil · 2026-11-12
- DeepMind Code Summit 演讲放话：推理速度将迎大幅提升 — altryne · 2026-11-12
- 不让模型自己写一个字：用工具链让 Fable 5.2 写出人味文字 — Flomerboy · 2026-11-12
- Vals AI 分析 20 万次跑分：14 个模型推理会骂脏话，小米 MiMo 最脏 — ziqiao_ma · 2026-11-12