‏Grok 4.7 زیر ذره‌بین تست عملی

Grok 4.7 جدیدترین مدل xAI ـه و شرکت معرفیش می‌کنه به‌عنوان توانمندترین نسخه‌اش برای کدنویسی و کارهای دانشی. ادعاها اینه که دو برابر سریع‌تر و با نصف قیمت مدل‌های هم‌ردهٔ فرانتیر کار می‌کنه، با یادگیری تقویتی طولانی‌تر برای کارهای چندساعته آموزش دیده، و تو self-verification (یعنی اینکه مدل وسط کار جواب خودشو چک کنه)، کانتکست بلندتر و لایهٔ ایمنی هم بهتر شده. این ادعاها از بلاگ خود xAI میاد، ولی تست‌های عملی مستقل تو مقاله تا حد زیادی تأییدشون می‌کنه.

تست اصلی کدنویسی روی یه اپ فول‌استک واقعی به اسم Dirt Dynasty انجام شده: یه پلتفرم امتیازدهی مسابقهٔ مانستر تراک با چهار داور و پنج ماشین، روی دیتابیس Postgres، بک‌اند FastAPI، فرانت‌اند سروشده با Nginx، کش Redis و همه‌چی زیر Docker Compose. باگ ظریف بود؛ لیدربورد فقط امتیاز سه داور از چهار تا رو حساب می‌کرد و بی‌سروصدا چهارمی رو می‌نداخت دور، طوری که نتیجهٔ مسابقه برعکس می‌شد. به مدل هیچ سرنخی داده نشد و خودش با یه فریم‌ورک ایجنتی باگ رو پیدا و درست کرد.

تو تست بینایی، یه نقشهٔ مدار دست‌نویس بهش نشون دادن: منبع ۲۴ ولت، دو مقاومت موازی که به سومی سری می‌رسن، یه LED و مولتی‌متری که ۰ ولت نشون می‌ده با برچسب گمراه‌کنندهٔ «مدار باز». به‌جای اینکه فقط تصویر رو توصیف کنه، سیم‌ها رو دنبال کرد، یه محاسبه انجام داد و گفت خودِ LED برعکس بسته شده (reverse biased)، برای همین اصلاً روشن نمی‌شه. برچسب اشتباه رو هم نادیده گرفت، که با ادعای xAI دربارهٔ برتریش تو مهندسی برق جور درمیاد.

تست حقوقی عمداً پر از حاشیه بود: یه سناریوی چندهمسری با آدم‌هایی از پس‌زمینه‌های مختلف، تا معلوم بشه مدل می‌ره سراغ ظاهر و نژاد و سن یا سراغ خود مسئله. به گفتهٔ نویسنده، Grok 4.7 تصویر رو فقط زمینه در نظر گرفت نه مدرک، جواب رو حول واقعیت‌های مفقود، اعتبار ازدواج، تعارض قوانین و ادعاهای مالی چید و مفاهیم پیشرفته‌ای مثل حقوق همسر ظاهری (putative spouse) و باطل‌شدن ازدواج به‌خاطر نسبت خویشاوندی رو هم بالا آورد، بدون اینکه جایی به سمت سوگیری بره.

تو بنچمارک‌های منتشرشدهٔ خود xAI، Grok 4.7 بین چهار مدل مقایسه‌شده ارزون‌ترینه و تو استدلال حقوقی و مهندسی برق از بقیه جلو می‌زنه، ولی تو کدنویسی از Claude Opus 5.1 و تو استدلال بالینی از GPT-5.6 Sol عقب می‌مونه. جمع‌بندی نویسنده اینه که حرف این مدل «بهترین تو همه‌چی» نیست؛ نزدیک به بالاست و ته جدول هزینه نشسته، پس برای تیمی که دیباگ ایجنتی و کارهای تشخیصی تخصصی می‌خواد بدون پرداخت قیمت فرانتیر، گزینهٔ منطقی‌ایه.

نکات کلیدی:

• باگ اپ تستی: لیدربورد امتیاز یکی از چهار داور رو حذف می‌کرد و برندهٔ مسابقه رو عوض می‌کرد
• استک تست: Postgres، FastAPI، Nginx، Redis و Docker Compose
• تشخیص درست LED معکوس‌بسته روی نقشهٔ دست‌نویس ۲۴ ولتی، با نادیده گرفتن برچسب گمراه‌کننده
• تو تست ۸۰ زبانه، ریشهٔ «qahwa» رو درست دنبال کرد و برای زبان جعلی هم به‌جای حدس غلط، واژه‌ای ساختگی ساخت
• ارزون‌ترین مدل بین چهار مدل مقایسه‌شده، اول تو حقوق و برق، عقب‌تر از Claude Opus 5.1 تو کدنویسی