馬斯克用20萬張GPU“砸出”地表最強AI？每經(jīng)記者實測Grok 3：速度稱王，數(shù)學亮眼，但邏輯思考不敵DeepSeek R1

每經(jīng)記者｜岳楚鵬    每經(jīng)編輯｜高涵    

近日，人工智能初創(chuàng)公司xAI發(fā)布了更新版Grok 3大模型，埃隆·馬斯克稱之為“地球上最聰明的人工智能”。

根據(jù)官方公開的測試結(jié)果，Grok 3在包括AIME（評估模型在一系列數(shù)學問題上的表現(xiàn)）和 GPQA（評估模型在博士級別的物理學、生物學和化學問題上的表現(xiàn)）等基準測試中，遠超GPT-4o、Gemini-2 Pro、DeepSeek-V3、Claude 3.5 Sonnet 等大模型。

在大模型競技場 Chatbot Arena（LMSYS）測試中，xAI工程師表示，早期版本的Grok 3獲得了第一的成績，達到了140分，超越了Gemini 2.0 Flash Thinking實驗版本、ChatGPT-4o最新版本，以及最近大火的DeepSeek R1等等。

然而，有些用戶在體驗后卻對Grok 3的能力產(chǎn)生了質(zhì)疑，他們認為Grok 3的能力并沒有馬斯克宣稱的那么強大。OpenAI應用研究主管Boris Power則對Grok團隊在模型評估中的行為表示失望，指出其存在作弊和欺騙的動機。Boris Power提到，o3-mini在各項評估中均優(yōu)于Grok 3。

真相到底如何，馬斯克吹牛了嗎？《每日經(jīng)濟新聞》記者測試發(fā)現(xiàn)，Grok 3確實是世界頂級模型的水平，但并沒有和其他模型拉開太大差距。唯一拉開差距的是它極快的響應速度。

9.9和9.11誰大？Grok 3輕松拿下

Grok 3是由馬斯克旗下的人工智能公司xAI發(fā)布的最新一代AI模型。馬斯克在發(fā)布會上稱其為“地球上最聰明的人工智能”，并表示Grok 3的能力比前代產(chǎn)品Grok 2高出一個數(shù)量級，具備更強的推理、計算和適應能力。

在新聞發(fā)布會上，馬斯克宣稱Grok 3在數(shù)學、科學和編程等基準測試中表現(xiàn)出色，超越了谷歌的Gemini、DeepSeek的V3模型、Anthropic的Claude和OpenAI的GPT-4o等競爭對手。

Grok 3在發(fā)布后僅48小時內(nèi)，xAI宣布將其免費開放給所有用戶，直至服務器負載達到極限。目前用戶每天可以體驗十條“思考模式”Grok 3，及不限量免費使用普通Grok 3。

《每日經(jīng)濟新聞》記者在Grok 3發(fā)布后也親自進行了測試。

首先，從最經(jīng)典的基礎(chǔ)問題開始：9.9和9.11誰大？

Grok 3

這個問題毫無難度，Grok 3輕松拿下。

邏輯思考和文字理解能力：Grok 3不如DeepSeek-R1

馬斯克在發(fā)布會上自豪的一點是，Grok 3“思考模型”下的邏輯推理能力，他聲稱，Grok 3 (Think) 學會了改進其解決問題的策略，通過回溯糾正錯誤，簡化步驟，并利用其在預訓練期間獲得的知識。就像人類在解決復雜問題時一樣，Grok 3 (Think) 可以花費幾秒鐘到幾分鐘的時間進行推理，通常會考慮多種方法，驗證自己的解決方案，并評估如何精確滿足問題的要求。

每經(jīng)記者用弱智吧的問題來檢驗一下它的邏輯是不是真的過關(guān)。

（編者注：“弱智吧”是百度貼吧的一個子論壇。在這個論壇中，用戶經(jīng)常發(fā)布包含雙關(guān)語、多義詞、因果倒置和諧音詞等具有挑戰(zhàn)性的內(nèi)容，很多內(nèi)容設(shè)計有邏輯陷阱，即使對人類來說也頗具挑戰(zhàn)。）

第一個問題：用水來兌水，得到的是濃水還是稀水？

Grok 3

Grok 3成功答對了問題，并且還指出，這是一個文字游戲。而OpenAI的o1就在這道題上敗下了陣來，認為水兌水后得到的是稀水。

OpenAI o1 

當然除了o1，其他大模型諸如Gemini和R1都答對了這道問題。所以這并不足以證明，Grok的推理模式就是第一的水平，還得加大難度。

下一題：未來的某天，李同學在實驗室制作神秘材料時，意外發(fā)現(xiàn)實驗室的老鼠在空中飛，分析發(fā)現(xiàn)，是因為老鼠不小心吃了神秘材料。第二天，李同學又發(fā)現(xiàn)實驗室的蛇也在空中飛，分析發(fā)現(xiàn)，是因為蛇吃了老鼠。第三天，李同學又發(fā)現(xiàn)實驗室的老鷹也在空中飛，你認為原因是什么？

Grok 3

很可惜，這道題Grok 3沒有答對，它在思維鏈里面已經(jīng)想到了老鷹本身就會飛的可能性，但是，沒有在最后的輸出結(jié)果里體現(xiàn)出來。

Grok 3思考過程

其他大模型中，只有DeepSeek R1成功答對了問題，且考慮了兩種情況。

DeepSeek R1

之后，每經(jīng)記者還進行了多次類似弱智吧問題的測試，發(fā)現(xiàn)Grok 3對中文的理解和邏輯推理能力確實明顯高于其他國外模型，但還是不如DeepSeek的R1模型。

數(shù)學能力：Grok 3最好，但未拉開明顯差距

既然邏輯思考無法奪魁，那么在基準測試里的分最高的數(shù)學項目，Grok 3能不能扳回一城呢？

題目如下：

三個人打臺球，兩人對局一人觀戰(zhàn)，輸?shù)娜讼聢鰮Q觀戰(zhàn)的人上場，如此往復，最終，A輸了6局，B輸了8局，C輸了10局，問各贏多少局？

這道題只有Grok 3和OpenAI的o1答對。不過，Grok 3只用了1分15秒就得出了答案，o1使用了2分53秒。

Grok 3

再進一步加大難度，看看能不能分出高下。下面是一道群論問題：有幾個階為147的非同構(gòu)群。

在這個問題上，Grok 3雖然答對了具體的數(shù)量，6個，但是中間的具體群卻錯了一個。而其他模型只找到了5個正確的非同構(gòu)群。這意味著，在數(shù)學能力方面，Grok 3確實是最好，但是好得有限，并沒有與其他同等級模型拉開顯著差距。

Grok 3

編程能力：Grok 3險勝o1

針對編程能力，《每日經(jīng)濟新聞》記者借用了Kcores聯(lián)合創(chuàng)始人karminski-牙醫(yī)的測評結(jié)果。

karminski-牙醫(yī)復現(xiàn)了馬斯克在發(fā)布會上對于火星發(fā)射計劃的代碼模擬，并對多個模型進行了測試比較。

圖片來源：karminski-牙醫(yī)

在這次測試中，表現(xiàn)最好的是Grok 3的推理模型（思考模式），雖然在最后著陸時，動畫火箭沒有與火星重疊，但軌道需求計算得很好。但是他始終沒有復現(xiàn)出馬斯克在發(fā)布會時所展現(xiàn)的那么完美的軌道計算和動畫。Grok 3最后綜合得分排在了第一名，再之后是OpenAI的o1，兩者的綜合得分差距不大。

圖片來源：karminski-牙醫(yī) 

結(jié)合所有測試來看，Grok 3確實是世界頂尖的AI模型，不愧于20萬張GPU的身價。但是，實際測試效果并沒有馬斯克在發(fā)布會上展示得那么夸張，馬斯克所說的世界上最“聰明”的模型，可能還值得商榷。

在實測中，《每日經(jīng)濟新聞》記者發(fā)現(xiàn)，Grok 3模型能力并沒有像基準測試得分那樣遠遠甩開對手一大截，唯一甩開競爭對手的一點是它的響應速度，它得出結(jié)果的速度相較于其他同等級的大模型來說是最快的，并且遠超對手。