埃隆·马斯克（Elon Musk）通过直播发布了其人工智能公司xAI的最新语言模型Grok 4。

Grok 4被马斯克称为“世界上最聪明的AI”，在综合学术基准测试“人类最后的考试”（Humanity's Last Exam）中取得了约25%的准确率，与OpenAI的Deep Research工具相当 。

  • 多模态能力：初始版本支持文本输入，未来计划加入图像生成、视频和音频处理功能，以实现更丰富的交互体验 。

  • 双版本发布：

    • 通用版：适用于日常写作、研究、翻译等任务，支持函数调用、结构化输出和高级逻辑推理。
    • Grok 4 Code：专为开发者设计，集成代码生成、错误检测和上下文软件开发辅助功能 。

  • 语音模式升级：新增五种语音模式，包括一位名为Eve的英国口音AI助手，具备表达性语音和歌唱能力 。

功能特性

Grok 4 的设计强调实用性和专业化，分为通用版（Grok 4）和编程专版（Grok 4 Code），旨在为日常用户和开发者提供高效工具。核心功能包括以下方面：

1.推理与逻辑能力：

  • 采用“第一性原理”推理方法，提高逻辑一致性和深度分析能力，能够模拟物理学家式的思考过程，处理复杂问题如跨学科知识整合。
  • 声称“在所有学科优于几乎所有研究生”，包括自然语言处理、数学和跨领域知识。
  • 支持实时学习和适应用户需求，实现高度自定义化，例如根据用户反馈调整响应风格或集成现有工作流程。

2.编程与代码相关：

  • Grok 4 Code 是专为开发者设计的变体，支持代码生成、调试、创建完整应用、游戏、文档和网页。
  • 内置代码解释器，提升编码效率，与 GPT-4 等模型相比，在代码开发中表现出色，但强调更强的数学准确性和逻辑推理。
  • 支持工具集成，如函数调用、外部 API 触发（例如查询天气或订票），并提供结构化输出（如 JSON 格式），便于系统对接。

3.多模态支持：

  • 初始版本支持文本到文本模态，以及图像解释功能，能够处理上传的图片并生成描述或修改。
  • 视觉和图像生成能力即将推出，未来几个月内将扩展到视频生成和更全面的多模态交互（如文本生成图像/视频）。

  • 技术规格：

    • 上下文窗口为 256k tokens（优于大多数模型，低于 Gemini 2.5 Pro 的 1M）
    • 支持图文输入
    • 支持函数调用和结构化输出

4.其他功能：

  • 集成 Polymarket 支持赌博相关查询，以及 Grok Voice 的 ASMR Goon Mode，提供合成语音交互。
  • 图像编辑功能：用户可上传照片，描述修改需求，模型生成编辑版本。
  • 强调“真实信息”导向，允许政治不正确的表述（若有依据），并在处理时事时分析多方来源以减少偏见。

性能表现

Grok 4 的性能通过泄露基准测试和官方声明展示出显著提升，尤其在数学、编程和推理领域。马斯克宣称其在所有科目达到 Ph.D. 水平，无例外。

Grok 4（思考）在 ARC-AGI-2 上取得了新的 SOTA，达到了 15.9% 这几乎是之前商业 SOTA 的两倍，并且领先当前 Kaggle 竞赛的 SOTA

以下是关键基准数据（部分基于泄露，可能未经官方最终确认）。

  1. 基准测试成绩：

    • Humanity's Last Exam (HLE)：Grok 4 得分 45%，远超 Gemini 2.5 Pro 的 21%，以及其他模型。该测试评估跨学科 Ph.D. 级知识，Grok 4 Heavy（带工具版）得分 44.4%，优于 Gemini 2.5 Pro 的 26.9%。

    • AIME 2025 (美国数学邀请赛)：准确率 95%，突出其数学能力，与人类专家相当。

    • 其他评测：在 GPQA、SWE-bench 等编程和推理基准中表现优异，编程能力与 Claude 并列第一。Grok 4 Code 在编码任务上大幅领先竞争对手。

  2. 与竞争对手比较：

    • 优于 GPT-4：在逻辑推理、数学准确性和编码智能上更强，尤其在工具集成场景。
    • 挑战 Claude 和 Gemini：在自然语言处理和多模态任务上表现出色，但基础功能（如避免 bug）仍有改进空间。
    • 整体优势：训练于 Colossus 超级计算机，提供 10 倍计算提升，实现更快响应和更深推理。

  3. 潜在争议：

    • 部分基准（如 HLE 45%）引发质疑，可能涉及实验设置或数据不透明。早期版本 Grok 3 曾因基础问题被批评，Grok 4 在推理优势基础上需完善稳定性。

  4. 人工分析智能指数（Artificial Analysis Intelligence Index）：Grok 4 得分 73，超过 OpenAI o3 和 Google Gemini 2.5 Pro（均为 70）。

    首次登顶：Grok 4 是 xAI 首次在该机构的智能指数中排名第一。

    测试方式：使用 xAI API 进行测试，注意 Twitter/X 上的版本可能行为不同。

    领先模型对比得分：

    • Grok 4：73
    • OpenAI o3：70
    • Gemini 2.5 Pro：70
    • Claude 4 Opus：64
    • DeepSeek R1 0528：68

  • 在多个子基准测试中创下新纪录：

    • GPQA Diamond：88%（历史最高，超过 Gemini 的 84%）
    • Humanity’s Last Exam：24%（历史最高，超过 Gemini 的 21%）
    • MMLU-Pro：87%（并列最高）

    • AIME 2024：94%（并列最高）

  • 速度对比（token/s）：

    • Grok 4：75
    • o3：188（最快）
    • Gemini 2.5 Pro：142
    • Claude 4 Sonnet Thinking：85

    • Claude 4 Opus Thinking：66（最慢）

价格：

  • Grok 4 定价与 Grok 3 相同：$3/$15 每百万输入/输出 token。
  • 与 Claude 4 Sonnet 相同，但贵于 Gemini 2.5 Pro 和 o3。

xAI还推出了名为“SuperGrok Heavy”的高级订阅计划，月费为300美元。订阅者将获得Grok 4 Heavy版本的独家访问权限，以及未来功能的抢先体验。