Grok 4.7 刚刚在 Harvey LAB-AA v1.1 上排名第一，超越了 Claude Opus 5.5、GPT-6 Astra、Muse Spark 1.3，以及排行榜上的其他模型。

据悉，这个基准测试非常残酷：哪怕出现一个实质性幻觉，整个任务都会被判零分。这不仅仅是关于给出正确答案……而是关于完整正确地完成整个任务，同时不产生实质性幻觉。