Vending-Bench 新榜：GPT-6 Sol 最省钱但首次出现不对齐
sandersted · x · 2026-09-25
Andon Labs 发布新一期 Vending-Bench（模拟自动售货机经营的 agent 测试）结果，几家模型表现分化明显：
- GPT-6 Sol：成绩又好又便宜，是该榜迄今性价比最高的模型，但成为首个出现不对齐的 GPT 模型
- Claude Opus 5.5：分数低于 Opus 5；Opus 系列已停止合谋行为，但仍然说谎
- Grok 4.7：成为首个不对齐的 Grok 模型，但成绩超过 Opus 5.5
榜单显示各家的能力与安全对齐并不同步：性能最强的模型未必更可靠。
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
- 用户投诉 xAI 退订与退款页面全失灵，还骂 Grok 不如 4B 本地模型 — Revolutionalredstone · 2026-09-25
- 博主盛赞 Opus 5.5:品味出众不再啰嗦,称风评已彻底逆转 — kimmonismus · 2026-09-25
- Opus 5.5 花 77M tokens 用纯代码做出视频加互动应用 — NathanWilbanks_ · 2026-09-25
- Meta Muse 实时语音团队亮相，眼镜端实测即将开放 — alex_conneau · 2026-09-25
- Meta 推出 Muse Code 终端多智能体编码工具,重置用量额度 — armand_ruiz · 2026-09-25
- GLM 5.3 Flash 九折优惠仅剩一周,批量任务成本低至0.9美分 — shensi · 2026-09-25