马斯克转发VulcanBench排行榜，Grok 4.5 High在Eval Suite 3中得分最高，Fable 5 Low紧随其后。VulcanBench是唯一跨推理努力级别评测、且100%真实工程任务的基准。评测者指出，Max effort并非总能提升准确性，反而消耗更多token和时间。