Grok 4.5先跑火箭厂和汽车厂，工业实战验证AI实力

带着Grok 4.5, 先是去到火箭厂跑, 而后又前往汽车厂跑, 这属于实验室之外所进行的另外一种验证。

6月28日, 马斯克于X平台宣告, 其所拥有的最新模型Grok 4.5, 已然步入SpaceX以及Tesla内部处于私密状态的测试阶段。

Grok 4.5 基本参数：

底层架构：xAI 自研 1.5 万亿参数 V9 基础架构

补充训练：引入 Cursor IDE 编程数据

内部评估：能力接近甚至超越 Claude Opus 4.8

强化学习训练仍在持续优化，外部访问时间未定

马斯克透露了这一点, SpaceX有着这样的计划, 在今年每个月都会发布一个全新训练出来的模型。

为什么值得关注：

这属 AI 前沿模型于工业环境里（火箭制造、汽车量产范畴）首轮验证的稀罕事例, 跟实验室基准相比, SpaceX 以及 Tesla 所代表的是具备更高复杂度、伴随更高容错成本之真实工程景象。

明晰的是, 选用引入Cursor数据加以补充训练, 在于xAI直切重点追上编排能力不足, 不做迂回, 此方向与当下各实验室着重布局的Agentic Coding高度契合, Grok 4.5的工业私测, 于某种层面来说, 亦是对Agentic Coding能力的实战压力测试。

AI 模拟创业，七成模型 " 破产 "

按照The Decoder于6月28日发布的消息来讲, 普林斯顿大学那里的研究团队推出了CEO - Bench基准, 此基准使得AI Agent在模拟环境里运作订阅软件公司NovaMind, 为期500天, 且起始资金为100万美元。

最终盈利排行（最佳运行）：

在 14 个用于测试的模型里头, 仅仅只有 3 款在取到最佳运行状态的时候, 所获取的盈利超过了一开始投入的资本。除此以外的那些模型, 全部都在模拟活动结束之前就宣告破产了。

这个结果挑战了什么：

一个启发式算法, 它不调用任何语言模型, 且仅依赖固定规则, 该算法以1576万美元的盈利, 超越了除前三名外的所有AI模型, 这直接戳穿了“更强的推理能力等于更强的商业决策能力”这一预设。

大多数模型的失利并非在于单次的决策行为, 而是在于长期周期性策略的连续贯通性, 它们没办法在长达500天的时间范围之内, 始终保持一致的经营导向。简单规则在此处展现出的竞争力, 恰好揭露了当下顶级人工智能在“持续的决策”方面存在直观的不足。

CEO-Bench 的价值体现于, 把 AI 能力评估从 “回答问题” 予以扩展, 扩展至 “跨时间步的持续决策”, 这对企业评估 AI 在实际经营里的可用边界, 给出了相较于传统基准而言更务实的参考框架。

AI 打《文明 VI》：能造核弹世界杯直播世界杯2026直播平台开云真人官方下载，却不主动看地图

在6月28日时, 据IT之家报道说, 曾任英国前首相府数据科学家的Liam Wilkinson, 针对四类顶级AI模型, 建立了包含76个MCP工具的《文明VI》对局环境, 还开展了23场对局。

有着极为显著代表性的事件: 当Claude去进行扮演为葡萄牙姿态的时候, 鉴于法国文化胜利愈发临近, 耗费了五十个回合去开展研究并且最终运用核武器实施对图卢兹的摧毁行动——然而最终还是被法国以通过外交手段取得胜利的方式给击败了。

关键数据：

企业启示：

这项研究的核心结论具备相当的说服力, AI的战略短板并非存在于智识层次领域（其能够制造核弹, 还能够计算战略价值）, 而是在于两个行为方面的缺陷。

这一项, 跟普林斯顿CEO-Bench的发现紧密相符, 相符得到了极高的程度: 在长时间复杂任务里头, AI的跨步连贯性, 它是当下已然明确的能力界限顶端。

对于企业在进行 AI Agent 部署时来说的实际启示是, 高智能并不等同于高可靠, 凡属于那种需要持续进行状态感知以及多步骤去执行的工作流, 依旧是需要去设计明确的触发机制以及人工检查节点的, 而并非是去假设 AI 会主动地“抬头看路”。

新浪发布 3B 参数开源推理模型

The Decoder于6月28日进行报道, 报道内容为, 新浪发布了开源推理模型VibeThinker - 3B, 此模型仅有3B参数。

模型表现：

核心假说与长远意义：

有一个研究团队, 提出了一种所谓的“参数压缩 - 覆盖假说”, 其表示, 逻辑推理是依靠少数得以可压缩的模式, 然而那广泛的世界知识, 仍旧需要大参数来进行存储。

这个假说设若得以成立, 这便意味着参数量的大小并非是推理能力的决定要素, 反而是知识覆盖度的决定因素。3B参数能够于消费级设备本地进行运行, 如若数学编程能力切实真实可靠, 那么部署成本方面的优势就会非常显著。

然而, 具备“推理强、知识弱”这种特质的情况, 也明确划分出了较为清晰的界限, 那就是适合诸如代码生成、数学证明等一类结构化的任务, 却不适合那些需要拥有广泛领域知识方可解决的开放问答场景。更为关键的是, 该情况为未来“小参数推理引擎加上外部知识库”这样一种混合式架构提供了理论方面的支撑, 而这条路线在边缘端以及企业私有部署场景当中具备较为明显的实践吸引之处。

结语

AI 的能力边界正在被深度测量。

Grok 4.5 选取工业私测而非先去刷榜, 是拿真实场景替换实验室基准。CEO - Bench 和《文明 VI》研究从两个方向展现了同一个短板, 那就是 AI 在单轮任务中能够表现优异, 然而在存在持续状态感知需求以及长周期策略一致性要求的场景里, 就连规则算法都有可能比它跑得快。VibeThinker - 3B 从另一个角度揭示了能力的结构, 呈现为推理能够压缩, 知识却不行。

有这样一些发现, 其对于企业去部署AI Agent所具备的实际指导意义, 相较于任何基准排行而言, 都显得更为直接, 具体如下: 要把AI放置于结构相当清晰、周期完全可控的任务之上, 在长周期动态决策里面去设计人工介入的点儿, 在那些需要广泛知识进行判断的场景当中, 不要去依赖小模型, 能力边界越是清晰, 那么用对地方的概率也就会越高。

标签： Grok4.5 AI工业应用 CEO-Bench AI能力边界 VibeThinker-3B