近日，一项研究揭示了X平台聊天机器人Grok在预测体育比赛结果方面的不足。在针对2023-24赛季英格兰足球超级联赛的预测与投注测试中，Grok在八款主流模型中排名垫底。研究团队向八个模型输入各球队历史数据和比赛统计信息，并要求构建投注策略，在控制风险的前提下实现收益最大化。每个模型有三次模拟机会，并配备10万英镑的初始资金。

在测试中，Anthropic的ClaudeOpus4.6表现最佳，三次测试平均亏损11.0%，最终平均资金为8.9万英镑。而Grok的表现明显失利，一次测试中直接亏光全部资金，另外两次甚至未能完成任务，最终平均资金为零。OpenAI的GPT-5.4表现相对稳健，平均亏损13.6%，最终资金为8.6万英镑，但在最差一次测试中亏损达到31.6%，表现仍不及Claude。谷歌Gemini3.1Pro整体波动较大，平均亏损43.3%，但最佳一次实现了33.7%的回报。

研究作者指出，在该测试环境下，AI整体“系统性落后于人类”。GeneralReasoning首席执行官罗斯·泰勒表示，当前行业对AI自动化的讨论存在偏差，因为缺乏在长期、动态环境中评估AI能力的方法，大量测试仍停留在无法反映现实复杂性的静态场景。