马斯克的 xAI,刚刚发布 Grok-4
Grok 4 在各大基准测试上,表现太猛了。
基准测试亮点
-
AIME25 (数学竞赛): Grok 4 Heavy 直接拿了 100% 满分,而 Claude 4 Opus 是 75.5%。这属于碾压了。

-
GPQA (研究生水平问答): Grok 4 Heavy 跑了 88.9%,把 Gemini 2.5 Pro (86.4%) 和 Claude 4 Opus (79.6%) 都甩在后面。

-
LCB (法律常识): Grok 4 Heavy 79.4%,Gemini 2.5 Pro 是 74.2%。
-
HMMT25 (高中数学竞赛): Grok 4 Heavy 96.7%,Gemini 2.5 Pro 是 82.5%。
-
USAMO25 (美国数学奥赛): Grok 4 Heavy 61.9%,Gemini DeepThink (49.4%) 和 Gemini 2.5 Pro (34.5%) 根本没跟上。
-
“人类最后一考”: Grok 4 重度版拿了 50.7%。带工具版 41%,不带工具版 26.9%。

-
ARC-AGI 2 (抽象推理) 基准:15.9%。

“Grok 4 可能在 每个学科 上都比博士水平强,没有例外。”
“今年可能发现 新技术,两年内肯定发现 新物理学。”“我预计明年会推出第一款真正优秀的 AI 视频游戏,今年可能会推出第一款出色的 30 分钟 AI 电视节目” “ 我们可以在几周内分享一个快速而智能的编码模型”
— 这口气,还是那个熟悉的马斯克味道。
Vending-Bench (模拟经营): 模拟经营售货机,Grok 4 净赚 $4694,卖了 4569 件货,排第一。Claude 才 $2077,人类玩家 $844。这说明它的 agentic (智能体) 运用和处理现实世界任务的能力很强。

API 功能: API 方面也给足了料:256k 上下文、前沿多模态能力、实时搜索、企业级安全。

第三方测评机构也下场了,Grok 4 确实是新王
独立 AI 模型分析机构 Artificial Analysis 说,他们拿到了 Grok 4 的早期访问权限,跑了一遍全套基准测试,结果出来了。
Grok 4 登顶了。
在他们的“人工智能指数 (Artificial Analysis Intelligence Index)”里,Grok 4 拿了 73 分,超过了 OpenAI o3 (70 分)、谷歌 Gemini 2.5 Pro (70 分)、Anthropic Claude 4 Opus (64 分) 和 DeepSeek R1 0528 (68 分)。

这是马斯克的 xAI 第一次 站到 AI 前沿的领头位置。
他们说,Grok 3 当时只是跟其他几家的大模型打得有来有回,但 Grok 4 是第一次让他们在自己的指数上把 xAI 排到第一。
他们是通过 xAI API 测试的 Grok 4,推特上那个版本可能会有不同。Grok 4 是个 推理模型,回答问题前会先“思考”,但 API 不会返回思考过程的 token。
价格和部署
Grok 4 的定价跟 Grok 3 一样:输入 3 刀/百万 token,输出 15 刀/百万 token。这个价格跟 Claude 4 Sonnet 一样,但比 Gemini 2.5 Pro 和 o3 (最近降价后) 要贵。

部署方面,除了 xAI API 和推特上的 Grok 聊天机器人,估计也会上微软的 Azure AI Foundry (Grok 3 和 3 mini 已经在上面了)。
关键跑分结果

-
Grok 4 不光是总的智能指数第一,在他们的 编码指数 和 数学指数 上也是第一。


-
GPQA Diamond 得分创历史新高,88%,超过了之前 Gemini 2.5 Pro 的 84%。
-
Humanity’s Last Exam 得分也创历史新高,24%,超过了之前 Gemini 2.5 Pro 的 21%。
-
MMLU-Pro 和 AIME 2024 得分并列最高,分别是 87% 和 94%。
-
速度: 75 token/秒,比 o3 (188)、Gemini 2.5 Pro (142) 慢,但比 Claude 4 Opus Thinking (66) 快。

其他关键信息
-
256k token 上下文窗口。比 Gemini 2.5 Pro 的 100 万小,但比 Claude 4 系列 (200k)、o3 (200k) 和 R1 0528 (128k) 大。
-
支持 文本和图像输入。
-
支持 函数调用和结构化输出。
成本方面的小细节: Artificial Analysis 还提到,Grok 4 在跑他们的智能指数时,输出的 token 用量比其他模型稍微多一点。这意味着,虽然单价一样,但实际用起来可能成本会高一些。
现在,Grok 4 的测评数据已经在他们的官网 artificialanalysis.ai 上线了。
今天就上线可用 (Available today)。不过价格是真的高。


甚至有网友显示已售罄。

看起来马斯克的团队70%以上都是亚洲人

(文:AI进修生)