8月21日，马斯克在X上发帖称，他将开始更频繁地分享 VulcanBench 的排行榜，并强调这是他所知唯一在不同努力水平上、针对100%真实工程任务进行基准测试的评测套件。他还提到即将淘汰评估套件3，套件4已接近就绪。
VulcanBench 由 Morgan Linton 开发，是一个开源基准，专注于多文件真实软件工程任务，涵盖推理努力、语言、代码库规模和任务复杂度，并提供完整轨迹和可复现评分。近期 v3 快照显示，Grok 4.5 以91.3%领先，Claude Opus 5 和 GPT-5.6 Sol 并列第二。
这一举动发生在 AI 基准从合成测试转向实际工程场景的背景下。传统基准易被优化，而 VulcanBench 强调跨努力水平的真实任务性能，凸显 xAI 在编码代理能力上的定位。与此同时，行业正从模型规模竞赛转向实用部署，真实任务基准的重要性上升。
马斯克此举可能加速 VulcanBench 的采用，推动更多模型在真实工程场景中竞争。下一步值得观察的是套件4发布后，各家模型的具体表现及是否引发新的基准军备竞赛。
信源：https://x.com/elonmusk/status/2090950876425080851