TypeSafe公司推出的通用分类器Jev声称采用强化学习校准决策（RLCD）训练方法，能够返回已校准的概率值。然而，分析认为这一说法在实际应用中存在重大问题。模型的校准性能不仅取决于模型本身，更依赖于数据分布的特征；即使同一模型在特定数据集上表现良好，也无法保证在用户实际数据上维持相同的校准效果。
SpaceXAI于2026年9月21日发布了推理大模型Grok 4.7（xhigh版本）。该模型在人工智能指数上获得46分的评分，相比同价位竞品的中位数24分表现更优。从定价角度看，Grok 4.7具有竞争力，输入令牌定价为每百万2美元，输出令牌为每百万6美元。
研究人员通过专家重新评分发现，前沿语言模型在物理基准测试上的报告分数存在重大偏差。经过审计和纠正，GPT-5.6-Sol在HLE-Physics基准上的评分从47.3%大幅上升至78.7%，在CMT-Benchmark上从61.0%上升至87.2%，表明当前物理基准测试严重低估了这些模型的实际能力。