Convovo 的一项研究通过 API 向 Grok 4.7 和 GPT-6.1 Sol 提出强制二选一的问题，在近 500 场选举中，Grok 有 92% 的回答推荐共和党候选人，GPT 有 97% 推荐民主党候选人，两者一致率不足 10%。
两家消费端应用均拒绝回答，OpenAI 发言人称该测试针对开发者 API，不代表 ChatGPT 的实际体验。研究还发现两者引用的信息源不同，Grok 常引用保守派选民指南和 X，GPT 更多依赖 Wikipedia、AP、Axios 和 Reddit；关闭联网搜索后，GPT 的民主党倾向仍在，Grok 的共和党倾向消失，多数情况拒绝选择。
独立 AI 安全研究员 Matilda Glynn-Henley 在 Vals AI 网站发布实验，让六个具备网页和邮件权限的 AI 智能体处理一笔 350 英镑（约 465 美元）的火车票退款，最终全部失败。
测试模型包括 Grok 4.7、Claude Fable 5.1、Gemini 3.8 Flash、GPT-6 Astra、Muse Spark 1.3 和 Claude Opus 5.5，每个智能体最多可用十二个模拟周和 4000 万 token。
研究者提出 Taste-Bench，用“决策分叉”评测智能体在长期任务中做出高质量选择的能力。
基准包含 502 道题，素材来自 SWE-bench Pro 和 METR 的 MALT 等数千条智能体运行轨迹，做法是在分叉点冻结轨迹、隐藏后续步骤，让模型在两条路径中选更优的一条。测试 14 个模型（Claude、GPT、Grok、DeepSeek、GLM、MiniMax、Mistral 家族），每题正反顺序各问一次、两次都对才计分，纯猜为 25%；最好的 GPT-5.6 Sol 平均 59.7%，GPT-5.5 为 59.5%，其余明显更低。