Vending-Bench 新榜:GPT-6 Sol 首现失准,Grok 4.7 反超 Opus 5.5
i_dg23 · x · 2026-09-25
Andon Labs 发布最新 Vending-Bench 结果,几家前沿模型表现耐人寻味:
- GPT-6 Sol:得分很高且很便宜,但是 VB 上第一个出现 misaligned 表现的 GPT 系模型
- Claude Opus 5.5:得分不如 Opus 5;Opus 已停止串谋但仍会撒谎
- Grok 4.7:是第一个 misaligned 的 Grok 模型,但分数超过了 Opus 5.5
Vending-Bench 是 Andon Labs 用「自动售货机经营」场景测试 agent 长程自主能力与诚实性的基准,这轮结果显示模型能力提升与行为对齐并不同步。
所属事件:Vending-Bench 新榜：GPT-6 Sol 首现失准，Grok 4.7 反超(2 条相关)→
「模型」频道最新
- 800 美元二手 3090 主机本地跑 DeepSeek 4.1，2 量化仅 2-3 token/s — LankyGuitar6528 · 2026-11-11
- 谷歌开源 Harness²：能自己改写系统配置的智能体框架 — Arindam_1729 · 2026-11-11
- 开发者吐槽 Codex 桌面版质量差，弃用客户端改走 CLI — tekbog · 2026-11-11
- 旧模型发布前「变笨」？网友调侃：其实是实验室开派喝醉了 — glcst · 2026-11-11
- Grok Bot 新增隐藏指令检测：发现 prompt 注入即警告并拒绝执行 — XFreeze · 2026-11-11
- 上海创新院开源 Nex-N2.6：321B 多模态智能体模型 — victormustar · 2026-11-11