這些毛病好像并不僅僅是由于模型的抱歉空間已滿。Opus 4體現(xiàn)不錯(cuò) ，但隨著時(shí)刻規(guī)模的延伸
 ，也會偶然失利
，

Andon Labs為此還專門寫了一篇論文 。回歸到基準(zhǔn)測驗(yàn)，

假如價(jià)格定得太高，設(shè)定價(jià)格并付出日常費(fèi)用——這些獨(dú)自來看較為簡略的使命
，

這對現(xiàn)在很多大言語模型來說是一個(gè)巨大的技能應(yīng)戰(zhàn)，

Grok 4在Vending Bench榜單上逾越GPT-5，

這意味著AI有必要「記住」并了解很早之前產(chǎn)生的工作 。銷量高出約2倍，

很多人都在猜Grok鄙人個(gè)月能賺多少錢？

這個(gè)售貨機(jī)長下面這樣 ?？雌饋硎且缓悬S色的「Swedish Fish」（瑞典魚）軟糖 ，

今日的決議計(jì)劃會直接影響明日的成果
。

其實(shí)這個(gè)「試驗(yàn)」從7月21日就開端了。而Sonnet系列則相對較弱 。在這場共同的比賽中，在長周期商業(yè)使命中一較高下 。并且在安穩(wěn)性和銷量方面均占有優(yōu)勢 。

相反，老馬歷來不是一個(gè)「嘴炮」選手 ，

論文地址 ：https://arxiv.org/pdf/2502.15840

Vending Bench自身是一個(gè)模仿環(huán)境，下訂單