機器之心報道
機器之心編輯部
所有學科都是博士后水平。
醞釀良久的 xAI 下一代大模型——Grok 4 終于發(fā)布了!能力超乎我們想象。
北京時間今天中午 12 點左右,我們期待已久的 xAI 發(fā)布會終于開始,馬斯克現(xiàn)身直播間,他上來就說:「這是世界上最好的 AI,讓我們來展示一下。」
馬斯克表示,Grok 4 每次都能在 SAT 考試(美國高考)中獲得滿分,無需事先查看題目,它也可以做到 GRE 任何學科接近滿分,超過了全世界所有研究生的水平。Grok 4 最強大的地方是其推理能力,它已經(jīng)實現(xiàn)了超越人類的推理水平。
馬斯克相信,Grok 4 可以在今年內(nèi)實現(xiàn)科學新發(fā)現(xiàn)。
得益于計算能力的增強、強化學習的訓練,Grok 4 的推理能力相較于前代提升了 10 倍。從 Grok 2 到 Grok 4,采用的技術(shù)范式不同,分別為下一個 token 預測、預訓練計算、預訓練 + RL、RL 計算。
其中,Grok 2 到 Grok 3 預訓練階段的計算量提升了 10 倍,Grok 3 reasoning 首次引入了 RL 微調(diào),帶來了深度推理能力。Grok 4 reasoning 的強化學習再度提升了 10 倍的計算量,這意味著顯著的推理能力提升。
另外因為調(diào)用工具能力的提升,Grok 4 進一步放大了自身智慧。因此可以在各類高難度 Benchmark 上實現(xiàn)遠超 SOTA 的成績。
接下來是重頭戲:Grok 4 的基準測試結(jié)果。
首先是HLE(Humanities Last Exam,人類最后的考試),包括數(shù)學、化學和邏輯學。在上周六泄露的基準測試結(jié)果中,Grok 4 在 HLE(Humanities Last Exam,人類最后考試)上的標準得分是 35%,使用推理技術(shù)后提高到 45%,但多數(shù)網(wǎng)友持質(zhì)疑態(tài)度。
在今天的直播中,xAI 研究人員表示,以往的 SOTA 模型在使用工具(with tool)的情況下,成績最高可以達到 41.0%。
如今,Grok 4 進一步提升了這一基準測試成績。
具體來講,與其他 SOTA 模型(o3、Gemini 2.5 Pro)相比,在使用工具的情況下,Grok 4 的成績?yōu)?38.6%,Grok 4 Heavy 的成績飆升到了 44.4%。如果讓大模型在測試時花費更多時間思考,并恰當?shù)氖褂酶嗤獠抗ぞ撸瑒t HLE 的分數(shù)還能進一步提升到 50.7%。
關(guān)于其他更多基準測試結(jié)果,包括 GPQA(研究生級別的 Google 驗證問答基準測試)、AIME25(美國數(shù)學競賽邀請賽)、LCB(Jan-May)(編程競賽 / 在線算法競賽)、HMMT25(高中生團隊數(shù)學競賽)和 USAMO25(美國頂級高中生數(shù)學競賽)。從下圖可以看到,Grok 4 Heavy 均取得了最新 SOTA
相比之下,人類面對 HLE 測試也幾乎答不上幾個題。馬斯克多遍強調(diào):Grok 現(xiàn)在在所有學科都達到了博士后水平,沒有例外。它沒有發(fā)現(xiàn)新科學或是新的物理定律,但這只是一個時間問題。
「如果 Grok 在今年內(nèi)沒有發(fā)現(xiàn)實用的新科學技術(shù),我會感覺很意外,」馬斯克表示。
大模型性能評估平臺 Artificial Analysis 的全套基準測試成績表明,Grok 4 已經(jīng)成為當前領(lǐng)先的 AI 模型,總成績達到了 73 分,領(lǐng)先于 o3、Gemini 2.5 Pro、Claude 4 Opus、DeepSeek R1 0528。
想象一下我們現(xiàn)在處在的位置,我們正處于智能發(fā)展的大爆炸過程中,這是人類歷史上前所未見的。是時候看看 Grok 4 具體能做些什么了。
我們來看一兩個 demo,比如「基于物理原理的 HTML 動畫,模擬兩個黑洞碰撞并產(chǎn)生引力波的 30 秒可視化效果」:
Grok 4 幾乎完整地呈現(xiàn)了從兩個黑洞接近到最后合并結(jié)束的引力波模擬效果。動圖的一邊是推理過程和計算的步驟和代碼,查閱的論文每一篇都有鏈接。
Grok 4 的多面手屬性更強了
除了各大語言基準成績的提升,Grok 4 在其他方面同樣得到了加強。
其中,Grok 4 的語音能力相較于上代速度快了 2 倍,端到端延遲更低;支持 5 種語音;單日用戶總停留時長提升了 10 倍。
新增的 Grok 角色 Eve 和 Sal 現(xiàn)已可在 iOS 版 Grok 中使用,Sal 支持多種性格,Eve 可以唱歌和低語。
ARC-AGI 基準測試集中,它專門設(shè)計用于評估人工智能系統(tǒng)通用推理能力,被視為通向 AGI 的重要試金石,旨在檢驗模型是否能像人類一樣靈活解決從未見過的新問題。
在這個直指 AGI 核心能力的超難基準上,Grok 4 同樣取得了最新 SOTA,其中在 ARC-AGI-2 上達到 15.9%,幾乎將之前的商業(yè) SOTA 翻了一番,并超越了當前的 Kaggle 競賽 SOTA。
在 Vending-Bench 基準測試中,它專注于評估智能體在真實物理世界中執(zhí)行復雜操作任務(wù)的能力,其核心目標是解決傳統(tǒng)模擬環(huán)境(如 Habitat、AI2-THOR)與真實世界間的「Sim2Real Gap」(仿真到現(xiàn)實的鴻溝),推動機器人技術(shù)在開放場景中的實際應用能力。
可以看到,Grok 4 相較于 Claude Opus 4、Human、Gemini 2.5 Pro、o3 取得了領(lǐng)先。
Grok 4 可通過 API 調(diào)用,提供 256K tokens 的上下文窗口。目前已經(jīng)開放使用,版本號為 grok-4-0709,價格與 Grok 3 相同。
根據(jù) Artificial Analysis 的測試,xAI 的 API 當前以每秒 75 個 token 的速度提供 Grok 4 服務(wù),速度雖不及 o3(每秒 188 個 token),但優(yōu)于 Claude 4 Opus Thinking(每秒 66 個 token)。
最后是游戲體驗,DannyLimanseta 在 4 小時內(nèi)用 Grok 4 制作了一款 FPS 射擊游戲,Grok 不僅可以用于制作游戲,還能實際運行游戲,洞察優(yōu)秀游戲的要素并提出改進建議。看著效果真的挺不錯。
下一步,xAI 預計還將發(fā)布代碼模型、多模態(tài)智能體以及視頻生成模型,看起來新產(chǎn)品發(fā)布要達到月更的速度。
目前,Grok 4 已經(jīng)上線,不過需要付費使用,而且價格相當昂貴。其付費模式分為年付和月付兩種,其中 SuperGrok 是每年 300 美元(折合人民幣約 2154 元),SuperGrok Heavey 則是每年 3000 美元(折合人民幣 21540 元)。
- 官網(wǎng)鏈接:https://grok.com/
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.