李榮治

機器之心報道

機器之心編輯部

所有學(xué)科都是博士后水平。

醞釀良久的xAI下一代大模型——Grok4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?！?/p>

馬斯克表示，Grok4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(xué)科接近滿分，超過了全世界所有研究生的水平。Grok4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，Grok4可以在今年內(nèi)實現(xiàn)科學(xué)新發(fā)現(xiàn)。

得益于計算能力的增強、強化學(xué)習(xí)的訓(xùn)練，Grok4的推理能力相較于前代提升了10倍。從Grok2到Grok4，采用的技術(shù)范式不同，分別為下一個token預(yù)測、預(yù)訓(xùn)練計算、預(yù)訓(xùn)練+RL、RL計算。

其中，Grok2到Grok3預(yù)訓(xùn)練階段的計算量提升了10倍，Grok3reasoning首次引入了RL微調(diào)，帶來了深度推理能力。Grok4reasoning的強化學(xué)習(xí)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，Grok4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：Grok4的基準測試結(jié)果。

首先是HLE（HumanitiesLastExam，人類最后的考試），包括數(shù)學(xué)、化學(xué)和邏輯學(xué)。在上周六泄露的基準測試結(jié)果中，Grok4在HLE（HumanitiesLastExam，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（withtool）的情況下，成績最高可以達到41.0%。

如今，Grok4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、Gemini2.5Pro）相比，在使用工具的情況下，Grok4的成績?yōu)?8.6%，Grok4Heavy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(dāng)?shù)氖褂酶嗤獠抗ぞ?，則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(xué)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(xué)競賽）和USAMO25（美國頂級高中生數(shù)學(xué)競賽）。從下圖可以看到，Grok4Heavy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(xué)科都達到了博士后水平，沒有例外。它沒有發(fā)現(xiàn)新科學(xué)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(xué)技術(shù)，我會感覺很意外，」馬斯克表示。

大模型性能評估平臺ArtificialAnalysis的全套基準測試成績表明，Grok4已經(jīng)成為當(dāng)前領(lǐng)先的AI模型，總成績達到了73分，領(lǐng)先于o3、Gemini2.5Pro、Claude4Opus、DeepSeekR10528。

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Grok4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」：

Grok4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。

Grok4的多面手屬性更強了

除了各大語言基準成績的提升，Grok4在其他方面同樣得到了加強。

其中，Grok4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。

在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?zāi)Ｐ褪欠衲芟袢祟愐粯屿`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，Grok4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(dāng)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(fù)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「Sim2RealGap」（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(yīng)用能力。

可以看到，Grok4相較于ClaudeOpus4、Human、Gemini2.5Pro、o3取得了領(lǐng)先。

Grok4可通過API調(diào)用，提供256Ktokens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Grok3相同。

根據(jù)ArtificialAnalysis的測試，xAI的API當(dāng)前以每秒75個token的速度提供Grok4服務(wù)，速度雖不及o3（每秒188個token），但優(yōu)于Claude4OpusThinking（每秒66個token）。

最后是游戲體驗，DannyLimanseta在4小時內(nèi)用Grok4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?？粗Ч娴耐Σ诲e。

下一步，xAI預(yù)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，Grok4已經(jīng)上線，不過需要付費使用，而且價格相當(dāng)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），SuperGrokHeavey則是每年3000美元（折合人民幣21540元）。

官網(wǎng)鏈接：https://grok.com/