AX 严选 · 2026-06-28

Grok 4.5 用了 1.5 万亿参数的 V9 基础模型，训练时额外喂了 Cursor 的代码数据，现在在 SpaceX 和 Tesla 内部试用。马斯克说初步跑分接近甚至可能超过 Opus，但正文没披露是 Opus 哪个版本、用的什么基准测试、测了多大样本，这些信息缺口让性能声明暂时没法验证。强化学习还在继续拉性能，Grok Build 工具链也在完善，说明模型还在快速迭代中，现在的分数不是最终版。另外 SpaceX 今年打算每个月发一个完全从头训练的模型，这个节奏如果真能落地，说明他们的训练基建和算力储备相当充足。我会先打个折：私测阶段的跑分通常挑好的说，等公开基准和第三方评测出来再看真实水平。

新浪微博放出的VibeThinker-3B只有30亿参数，但在AIME26这类数学竞赛和LiveCodeBench编程题上，分数能跟DeepSeek V3.2、Kimi K2.5这些大几百倍甚至上千亿参数的模型打平。它的做法是在阿里的Qwen2.5-Coder-3B基座上做多阶段后训练：先监督微调学各种任务，再用强化学习专攻数学、编程和理科推理，最后自我蒸馏把技能合并。 这个结果说明，结构化的逻辑推理可能就靠那几套模式，小模型也能学会。但一到GPQA-Diamond这种考广泛事实知识的题，它立刻被大模型甩开。团队自己下的判断是：推理好压缩，事实知识不行。 正文没披露训练用了多少数据、花了多少钱，也没说自我蒸馏阶段有没有引入新数据。另外，所有对比都基于公开基准测试，实际干活时的稳定性还没验证。如果是真的，在特定推理任务上用小模型替代大模型能省不少算力，但别指望它当百科全书用。

这个实验最狠的地方不是AI扔核弹，而是它暴露了两个工程层面的硬伤：感知盲区和知行差距。AI不主动查排行榜，就真以为自己科技碾压全场，实际倒数第一；写了计划转头忘，最好的模型执行率也只有65.8%。这不是智力问题，是架构问题——模型没有持续感知世界的机制，也没有强制自己执行计划的回路。 实验者用76个MCP工具搭了个纯文本接口，AI看不到画面，只能靠调用工具获取信息。23局打下来，GPT-5在GovBench上能考99.26分，进了游戏照样犯同样的错。这说明现有基准测试测不出真实决策能力，选择题做得好不代表能治国。 正文没披露另外两个模型的具体表现数据，也没说不同模型在三个难度场景下的胜负分布。如果只看Gemini执行率最高、Claude执行率最低这个对比，样本量只有23局，结论还不太稳。