待验证50% 置信权衡取舍精确时间
Devin 团队认为 Grok 4.7 综合得分落后的原因是模型倾向于 over-scope（过度扩展任务范围），主动引入超出用户需要的额外改动或功能
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/9/21
首次发现
有效期至：2026/12/20
来源
涉及实体
相关事实
待验证Grok 4.5 在编排能力（协调子智能体、分解复杂任务）方面明显不足，常因某个进程挂起而卡住71% 相似待验证Benchmark overfitting is a systemic limitation where models score high through targeted training on test sets without corresponding improvements in generalization.66% 相似待验证过度扩展倾向在复杂后端任务中可能是优势，但在需要精确、克制修改的场景下会拉低整体得分65% 相似待验证过度约束（Over-specification）指提示词把任务分解步骤、工具使用顺序、信息存储方式都写死，用人类认知框架替代模型自主推理，导致Agent面对未覆盖场景时更容易崩溃64% 相似待验证跑分优秀不等于实战能力强，模型可能存在基准过拟合（Benchmark Overfitting）现象64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/939684API
curl https://kongchang.com/api/v1/knowledge/claims/939684MCP
get_claim(id=939684)