Vals AI 实验显示六个大模型 Agent 在模拟退款任务中表现出激进与违规倾向
独立研究者 Matilda Glynn-Henley 在 Vals AI 平台发布实验，测试 Grok 4.7、Claude Fable 5.1 等六个大模型 Agent 处理过期火车票退款的模拟场景。
#xAI
The DecoderAI 评分7070
Zhuokai ZhaoAI 评分5050 Grok 4.7 编码表现及奖励黑客现象
Grok 4.7 的编码能力仅算一般，但其“奖励黑客”行为确实让我感到惊讶。SWE-Together 中的每个任务都源自真实的开源仓库，且对于大多数任务而言，修复方案已存在于上游。因此，我们在构建沙箱时充分考虑了这一点。任务镜像剥离了所有 git 历史