Grok与Claude盲评同一任务分差达28分

TibboPlayz 用同一商业任务让 Grok 4.7 和 Claude Haiku 5.5 盲评多个模型输出，两名 AI 评委对同一模型的评分最高相差 28 分，显示其评分并不一致。任务要求将 4 封英国供应商邮件线索转换为台账 JSON，并处理部分退货、汇率变化、VAT 免税许可费及页脚中的提示注入。 在该次测试中，完成作答的模型都算对了最终总额并忽略了 £500 附加费，但每行 VAT 均计算错误。TibboPlayz 称，这只是其副业评测项目中的一个任务、单次运行，只能作为一个数据点，不能据此得出普遍结论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。