Grok 4.7 đứng đầu benchmark AI pháp lý mới với điểm số 9,4%

Artificial Analysis và Harvey vừa phát hành Harvey LAB-AA v1.1, đưa ra một thang đo mới chỉ tính điểm cho các tác vụ pháp lý khi đầu ra thỏa mãn mọi tiêu chí mà không hề bịa đặt thông tin. Grok 4.7 (xhigh) của xAI hiện dẫn đầu bảng xếp hạng với tỷ lệ đạt qua bộ lọc kiểm tra ảo tưởng dữ liệu là 9,4%, theo sau là Muse Spark 1.3 của Meta với 8,9% và GPT-6 Astra của OpenAI với 8,6%. Cách chấm điểm qua bộ lọc này trừ điểm các mô hình nếu tạo ra nội dung bịa đặt hoặc mâu thuẫn, khiến bảng xếp hạng bị xáo trộn mạnh do có tới hơn 60% các câu trả lời vốn đạt chuẩn của mọi mô hình đều chứa lỗi nghiêm trọng.

Thay đổi về benchmark đã tác động mạnh đến các mô hình dẫn đầu, kéo tụt tỷ lệ của Muse Spark 1.3 từ vị trí dẫn đầu trước khi lọc là 26,7% xuống còn 8,9%, trong khi GPT-6 Astra vươn lên từ vị trí đồng hạng 10 lên hạng 3 nhờ khả năng bám sát thực tế tốt. Phương pháp chấm điểm mới này dựa trên các nghiên cứu chuyên gia con người vốn xác định hiện tượng ảo tưởng dữ liệu là yếu tố hàng đầu ảnh hưởng đến mức độ ưa thích câu trả lời, đồng thời sử dụng hội đồng ba giám khảo gồm GPT-6 Sol, Grok 4.7 và Claude Opus 5.5. Về chi phí, Grok 4.7 tiêu tốn khoảng 9,50 USD cho mỗi tác vụ, thấp hơn một nửa so với mức giá của mô hình đắt đỏ nhất là Claude Fable 5.1.