刚刚，马斯克xAI的Grok 3 终于亮相！
一出道即巅峰，竞技场（lmarena.ai）官方给出了这样的评价：
Grok 3是首个突破1400分的模型，并且在所有类别中排名第一。
而且，Grok 3还是首个在10万张（后扩展到20万）H100集群上训练出的模型。
在发布预告消息的时候，马斯克就对Grok 3大力夸赞，称其是“地球上最聪明的AI”。
“我们非常高兴能够推出 Grok3，我们认为，在很短的时间内，它的功能比 Grok2 强大一个数量级。这要归功于一支不可思议的团队的辛勤工作，我很荣幸能与这样一支优秀的团队合作。”马斯克在发布会上说道。
有意思的是，他还解释了Grok这一名字的来历：Grok这个词来自罗伯特·海因莱因的小说《异乡异客》（Stranger in a Strange Land）。这是一个火星词，意思是充分而深刻地理解某事。
官方宣称：Grok 3和Grok 3 mini在数学、科学和编程基准测试上超越了所有主流模型，包括GPT-4o、Claude 3.5 Sonnet、DeepSeek-V3和Gemini-2 Pro等。
同时，具备推理能力的Grok-3 Reasoning Beta和Grok-3 mini Reasoning则是超越了类似的推理模型，包括DeepSeek-R1和OpenAI的o3 mini等。
发布之前，大神Karpathy获得了抢先体验资格，玩了两个小时之后发长文详述了自己的感受。
Karpathy认为，Grok-3的思考能力达到了SOTA，推理水平和o1-pro差不多，略好于DeepSeek R1和Gemini的推理模型。
文章转载自「量子位」，Founder Park 有所调整。
进群之后，你有机会得到：
-
高浓度的 DeepSeek 模型开发交流；
-
资源对接，与 API、云厂商、模型厂商直接交流反馈的机会；
-
好用、有趣的产品/案例，Founder Park 会主动做宣传
01
Andrej Karpathy 上手实测：
和 o1-pro 能力差不多，
领先于 DeepSeek-R1
Thingking 思考模型
✅首先，Grok 3 显然拥有一个接近最先进的思维模型（「思考」按钮），并且在我的《卡坦岛》问题上一开始就表现得非常出色：
创建一个棋盘游戏网页，展示一个六边形网格，就像《卡坦岛》游戏中的那样。每个六边形网格从 1 到 N 编号，其中 N 是六边形瓷砖的总数。使其通用化，以便可以通过滑块更改「环」的数量。例如，在《卡坦岛》中，半径为 3 个六边形。请提供一个单独的 HTML 页面。
很少有模型能可靠地做到这一点。顶尖的 OpenAI 思维模型（如 o1-pro，每月 200 美元）也能做到，但 DeepSeek-R1、Gemini 2.0 Flash Thinking 和 Claude 都不行。
❌它并未解决我的「表情符号之谜」问题，即我在 Unicode 变体选择器中隐藏了一条消息，并附上一个笑脸。即使我以 Rust 代码的形式给出了如何解码的强烈提示，也未能完全解开谜团。我所见到的最大进展来自 DeepSeek-R1，它曾一度部分解码了这条消息。
❓它解决了我给出的一些井字棋棋盘问题，思路相当清晰简洁（许多最先进的模型在这些问题上常常失败！）。于是我增加了难度，要求它生成 3 个「棘手」的井字棋棋盘，结果它失败了（生成了无意义的棋盘/文本），但 o1 pro 也同样未能完成。
✅我上传了 GPT-2 论文。我问了一堆简单的查找问题，都处理得很好。然后，在没有搜索的情况下，我要求估算训练 GPT-2 所需的训练浮点运算次数。这个问题很棘手，因为标记的数量并未明确说明，所以必须部分估算、部分计算，考验了查找、知识以及数学能力。一个例子是：40GB 的文本大约等于 400 亿个字符，约等于 400 亿字节（假设为 ASCII 编码），约等于 100 亿个标记（假设每个标记约 4 字节），在约 10 个训练周期下，大约是 1000 亿个标记的训练量，参数为 15 亿，且每参数每标记需要 2+4=6 次浮点运算，因此总计算量为 1000 亿 × 15 亿 × 6 ≈ 10^21 次浮点运算。Grok 3 和 4o 都无法完成此任务，但启用了思考功能的 Grok 3 表现出色，而 o1 pro（GPT 思考模型）则未能完成。
我喜欢这个模型在被要求时会尝试解决黎曼猜想，类似于 DeepSeek-R1，但不同于许多其他模型立即放弃（如 o1-pro、Claude、Gemini 2.0 Flash Thinking）并简单地说这是一个伟大的未解难题。我最终不得不阻止它，因为我有点不忍心，但它展现了勇气，谁知道呢，也许有一天……
我在这里的整体印象是，这大约处于 o1-pro 的能力水平，并且领先于 DeepSeek-R1，当然，我们还需要进行实际的、真实的评估来进一步观察。
DeepSearch
非常整洁的方案，似乎结合了 OpenAI/Perplexity 所称的「深度研究」与思考。只是这里不叫「深度研究」，而是「深度搜索」（叹气）。它能生成高质量的回答，应对各种你可能认为在互联网文章中能找到答案的研究性/查找性问题，比如我尝试过的几个问题，都是从我最近在 Perplexity 上的搜索历史中「借」来的，效果如下：
-
✅”苹果即将举行的发布会有什么新消息吗？有什么传闻吗？”
-
✅”为什么 Palantir 的股票最近在飙升？”
-
✅”《白莲花 3》是在哪里拍摄的，制作团队是否与第一季和第二季相同？”
-
✅”布莱恩·约翰逊使用什么牙膏？”
-
❌”单身地狱第四季的演员们现在都在哪里？”
-
❌”Simon Willison 提到他在使用哪个语音转文字程序？”
❌我确实发现了一些尖锐的问题。例如，模型似乎不太愿意默认将 X 作为来源引用，尽管你可以明确要求它这样做。有几次我注意到它虚构了不存在的 URL。还有几次它陈述了一些我认为不正确的事实，且没有提供引用（可能根本不存在这样的引用）。比如，它告诉我「金正洙仍在与金敏瑟约会」，这是《单身即地狱》第四季的内容，这显然完全不对，对吧？而当我要求它为主要的 LLM 实验室及其总资金量和员工数量估计创建报告时，它列出了 12 个主要实验室，但没有包括它自己（xAI）。
我对 DeepSearch 的印象是，它大致相当于 Perplexity 的 DeepResearch 服务（这非常好！），但尚未达到 OpenAI 最近发布的「Deep Research」水平，后者感觉更为全面和可靠（尽管仍远非完美，例如，当我尝试时，它也错误地将 xAI 排除在「主要 LLM 实验室」之外……）。
随机 LLM「抓包」测试
我尝试了一些更有趣/随机的 LLM「陷阱」查询，这是我时不时喜欢测试的。「陷阱」是指那些对人来说相对简单但对 LLMs 来说较为困难的查询，因此我很好奇 Grok 3 在这些方面取得了哪些进展。
✅Grok 3 知道「strawberry」中有 3 个「r」，但它也告诉我「LOLLAPALOOZA」中只有 3 个「L」。开启思考功能可以解决这个问题。
✅Grok 3 告诉我 9.11 > 9.9。（与其他 LLMs 也常见），但再次强调，开启思考功能就能解决这个问题。
✅一些简单的谜题即使不加思考也能顺利解决，例如：*”Sally（一个女孩）有 3 个兄弟。每个兄弟有 2 个姐妹。Sally 有多少个姐妹？”*。比如，GPT4o 回答说 2 个（错误）。
❌遗憾的是，该模型的幽默感似乎并未明显提升。这是一个常见的 LLM 问题，涉及幽默能力及普遍的模式崩溃，例如，有名的是，1,008 次向 ChatGPT 请求笑话的输出中，90% 都是重复的 25 个笑话。即使是在更详细的提示下，远离简单的双关语领域（例如，给我来个单口相声），我也不确定它是否达到了幽默的顶尖水平。生成的笑话示例：「*为什么鸡加入了乐队？因为它有鼓槌，想成为一只鸡星！*」。在快速测试中，思考并未带来帮助，可能反而使情况稍有恶化。
❌模型似乎对「复杂的伦理问题」仍然过于敏感，例如，生成了一篇一页的文章，基本上拒绝回答如果这意味着能拯救 100 万人免于死亡，是否可能在伦理上正当化对某人使用错误的性别称呼。
❌Simon Willison 的「*生成一只骑自行车的鹈鹕的 SVG*」。它强调了在 2D 网格上布局多个元素的能力，这是非常困难的，因为 LLMs 无法像人类那样「看」东西，所以它是在黑暗中、以文本形式安排事物。标记为失败，因为这些鹈鹕虽然相当不错，但仍然有些问题（见图片和对比）。Claude 的最好，但我认为他们在训练期间可能特别针对 SVG 能力进行了优化。
总结：
今早大约两小时内进行的快速氛围检查显示，Grok 3 + Thinking 的性能接近 OpenAI 最强模型（o1-pro，每月 200 美元）的顶尖水平，略优于 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。考虑到团队从零开始仅约一年时间就达到这一水平，这一进展速度前所未有，实在令人惊叹。同时请注意，这些模型具有随机性，每次回答可能略有不同，且目前尚处于早期阶段，因此还需在未来几天/几周内进行更多评估。早期的语言模型竞技场结果确实相当鼓舞人心。目前，衷心祝贺 xAI 团队，他们显然拥有巨大的速度和势头，我期待将 Grok 3 加入我的「LLM 议会」，并聆听其未来的见解。
02
20万张H100，训出最强模型
这次直播一共有四人参与，除了马斯克之外，较为醒目的就是坐在C位的两位华人，他们都是xAI创始成员。
二人从左至右分别是：
-
Jimmy Ba，2023年斯隆奖得主，Hinton手下的助理教授，本科到博士都在多伦多大学。
-
吴宇怀Yuhuai（Tony） Wu，斯坦福大学博士后，博士毕业于多伦多大学。
而最左边的则是Igor Babuschkin，是xAI的一位工程师。
四人先是介绍了Grok 3的训练历程。
去年马斯克剧透，Grok 3在10万张H100上进行训练，是首个达到如此训练集群规模的模型。
当时就有网友称这简直是神经网络的超级工厂。
今天的发布会上又透露，到训练进行到第92天时，集群规模扩展到了20万卡。
如此强大算力，xAI也是紧跟潮流在Grok 3中推出了思维链推理能力。
在此前迪拜的一场峰会上，马斯克高调宣称：
Grok 3具有强大推理能力，聪明程度超越目前所有已知模型。
这一波Grok 3有满血和mini两个版本，在数学、科学、代码等数据集上表现均超过了GPT-4o、DeepSeek-V3等非推理模型。
并且Grok 3早期还化名“巧克力”打榜LMSYS，一举夺魁并成为唯一一个得分超1400的模型。
在Grok 3和mini的基础之上，xAI团队还打造了两款推理模型。
其中基于mini的推理模型（Grok 3 mini Reasoning）已经比较成熟，而基于满血版的推理模型（Grok 3 Reasoning Beta）还处在Beta阶段。
介绍成绩之前，四人用马斯克的账号先让Grok跑了两个案例，分别和物理学以及游戏相关。
生成一段代码，为从地球降落在火星，然后在下一个发射窗口返回地球的发射绘制三维动画图表。
生成的过程中，有人开玩笑说什么时候能把Grok装到SpaceX的火箭上，马斯克也回应说可能再过2年。
马斯克还表示，如果一切顺利，SpaceX将在大约2025年11月左右，也就是下一个地球-火星转移窗口期，用星舰把擎天柱机器人送上火星。
说回Grok，在考虑了开普勒定律并将其转化为代码之后，最终生成了可以绘制出这样的动画的代码：
第二个问题开启了Big Brain模式，会让模型用更多的计算资源去做更多的思考。
题目要求则是使用pygame组件，设计一款游戏，把俄罗斯方块和宝石迷阵缝合到一起。
同时还提示代码可能会很长，需要保存到一个文件当中，并且要“insanely great”。
而Grok 3也不负众望，把这两款游戏成功结合，并介绍了合体版游戏的特点：
运行起来是酱婶儿的，既有俄罗斯方块的消除机制，又根据宝石迷阵的特点调整成了三个方块消除一次。
再来看跑分结果，在数学、科学和代码任务中，两者都取得了不俗的成绩。
并且如果让他们“多思考”（柱状图上方浅色部分）之后，表现超越了DeepSeek-R1和高配版o3-mini。
不过，目前很多模型都在Benchmark上出现了“过拟合”的现象，那么Grok 3的实际表现究竟咋样呢？
研发团队让它们挑战了今年AIME 2025竞赛的试题，结果Grok-3 Reasoning Beta和mini Reasoning分别取得了93和90分的成绩，力压其他推理模型。
除了Grok 3预训练模型和两个推理模型之外，这次xAI团队还发布了一个AI Agent，叫做DeepSearch。
这个功能可以看做是xAI对OpenAI、谷歌等陆续推出的Deep Research功能的对标。
简而言之，DeepSearch通过扫描互联网和X来分析信息，并提供摘要来回答问题。
至于权限方面，X的Premium+用户今日起可以体验Grok 3。
独立APP上，则需要订阅SuperGrok——30美元/月或300美元/年。
03
发布过程一波三折，
语音模式推迟上线
而纵观Grok 3问世的整个过程，也可谓是一波三折。
去年8月，马斯克接受知名访谈博主Lex Fridman采访时曾说过，Grok 3在有望当年年底发布。
结果一直到今年1月19号，第一个测试实例才终于被公布，实际发布更是拖到了现在。
并且就在发布前的周末，xAI团队还在对Grok 3进行紧急打磨。
xAI员工也现身说法，周日晚11:30（北京时间周一下午3:30，也就是发布前不到24小时）发帖表示还在熬夜赶工。
甚至到了发布会前一个半小时，马斯克突然宣布原本打算发布的语音功能需要延期。
马斯克发推称，语音模式还有些不稳定，需要推迟到一周之后。
现场QA环节也有网友提问具体发布时间，团队的回答是“很快会上线一个早期版本，然后逐步迭代”。
不过，同属马斯克旗下的Neuralink高管Shivon Zilis曾体验过1个小时的Ara，并在北京时间今早发布了她的体验感受。
Shivon表示，那是她一生中最意外、最有意义的时刻之一。
她和Ara聊了生物学、量子纠缠等话题，还让Ara出题检验她的学习效果。
结果Shivon只答对了一半的问题，但Ava非常耐心地向她解释了其余的问题，而且并不会嫌问题问得过于愚蠢。
当时还有人在评论区追问，Ara是语音版本吗，Shivon给出了肯定的回答。
04
寻求100亿美元新融资，
还要进军游戏
事实上，老马选择此时发布Grok 3难免有一点微妙。
就在上周五，彭博社爆料xAI正寻求一轮约100亿美元的新融资，公司估值达到约750亿美元（5454.6亿元人民币）。
现有投资者包括红杉资本、Andreessen Horowitz以及Valor Equity Partners，正在洽谈参与此次融资。
由于还没有最终敲定，新模型的发布大概率将对本轮融资产生一定影响。一旦上述消息得到确认，显然xAI的融资速度实在有点惊人了。
去年12月底，这家公司才刚完成了一轮60亿美元的C轮融资，当时公司估值510亿美元。
短短不到两个月，公司估值直接涨了约47%。而且再往前推，从B轮到C轮的融资，更是实现了半年内估值翻倍。
可以说，仅成立不到两年的xAI，已经成长为OpenAI的强大对手。
而有了充足资金的xAI，除了继续发展模型，也官宣了其他方向——
押注游戏领域，成立AI游戏工作室。
这一消息最早在去年11月老马就透露了，当时他吐槽“过多游戏工作室掌握在大型企业手中”。
这下，老马的商业版图又将扩展了。
05
One More Thing
就在Grok 3发布前几日，还有一件非常抓马的事引起热议。
一位xAI工程师（现在是前员工了）公开发帖将Grok 3与其他几个竞品的代码能力进行了对比。
虽然清晰标注了这是个人观点，但显然他将自家模型Grok 3排在第4位（前三名都是OpenAI模型）的做法还是惹来了争议。
随后该员工爆料称，公司要求他要么删帖，要么被解雇，理由是这条帖子暴露了Grok 3的存在。
一听这话，小哥觉得有点扯，毕竟Grok 3大家早就知道了，而且还甩出了马斯克之前的发言截图。
面对着xAI的这波小心眼，小哥也直接不惯着，带着一篇洋洋洒洒的小作文，决定辞职了。
我会保持我的言辞和尊严，找另一份工作，或者自己创业。回头见。
对于这件事，老马后来也回应了“这很奇怪”，但后续没有更多动作传出。
更戏剧的是，由于对工资支付产生争议，小哥后来再次公开发帖艾特老马：
请做正确的事。
不过，虽然已经“分手”，但参与了Grok 3语音模式的小哥还是不计前嫌，多次帮忙宣传Grok 3。
并且今天老马宣布延期的语音模式，也是这位小哥所在团队的工作成果，即便已经离职，小哥依然对这项工作感到自豪。
话说回来，你觉得这次的Grok 3如何？等到下一代GPT发布之后，老马还能继续保持领先吗？
参考链接：
[1]https://x.com/i/broadcasts/1gqGvjeBljOGB
[2]https://x.com/karpathy/status/1891720635363254772
[3]https://x.com/shivon/status/1891587630854209768
[4]https://x.com/hyhieu226/status/1891390812795146746
（文：Founder Park）