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
- 开发者自建 git 网页应用被 Codex 安全护栏误判为网络安全风险 — brianmichel · 2026-11-11
- DeepSeek 开源编码 agent DSH 登上 HF Harness 榜，五项评测并列第一 — TheZachMueller · 2026-11-11
- 博主断言美国开源模型将凭盈利模式主导，但仍难追 Claude — marktenenholtz · 2026-11-11
- NVIDIA 发布开源 GR00T 2：真实灵巧手全自动完成化学实验 — EricBuess · 2026-11-11
- 降价反而更贵:新模型太爱自查，单任务成本涨31% — tengyanAI · 2026-11-11
- 美国数据厂商被指向中国军方关联企业出售RL环境数据 — xeophon · 2026-11-11