Bug Hunt Bench 实测:Grok 4.7 中档推理反超高耗能 xhigh 档
PawelHuryn · x · 2026-09-22
Pawel Huryn 运营的 Bug Hunt Bench 用真实植入 bug(共 105 个)测试前沿编码模型，盲评打分、成本跨度约 200 倍。
初步结果:
- Grok 4.7 (medium) 稳定跑赢 (high) 档，(xhigh) 档四次成绩为 25/30/31/29，(medium) 为 30/23/27，(high) 仅 19/22/17，(low) 11/15。
- 更高推理档位未必带来更好成绩，性价比值得重新考量。
- Muse Spark 1.3 未表现出明显递进。
该榜单强调 hands-on、无 hype，所有数据与注意事项公开在 GitHub 的 run-notes.md 中。
所属事件:独立实测：Grok 4.7 中档推理反超高耗能 xhigh 档(2 条相关)→
「编程与Agent」频道最新
- 工程师沙龙热议:AI 工作负载正转向后台持续运行 — reneeshah123 · 2026-11-12
- NYU 团队开源 Outerloop：AI 智能体自主做实验，77% 训练步数逼近目标 — mengyer · 2026-11-12
- 「从光标处继续」：From Here 原型让 GPT-6 Luna 续写任意位置 — csvoss · 2026-11-12
- micro1 五个月评估 token 量翻 12 倍，agent 启动从 3 分钟缩到 12 秒 — Exp_Mark · 2026-11-12
- MrKan 推出 Web Loop 卡片：看板自动盯网页变化并触发任务 — agf2007 · 2026-11-12
- LangChain 提出 Eval-Driven Development:先写评测再改 Agent — udmrzn · 2026-11-12