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/