Grok 4 制霸大模型考场

发布会的核心，首先是一系列令人瞠目结舌的基准测试（Benchmark）成绩。如果说过去的 AI 评测是诸神之战，那么 Grok 4 的登场，则是诸神黄昏。最引人注目的，无疑是 “人类最终测试”（Humanity's Last Exam, HLE）的成绩。这是一个涵盖了数学、有机化学、语言学、法学等多个博士级别难题的超高难度测试，旨在检验 AI 最顶尖的推理和知识能力。

根据现场公布的数据和后续网友的挖掘，Grok 4 的表现堪称疯狂：

• 基础能力：在不使用任何外部工具的情况下，Grok 4 的文本模型（Text-Only）取得了 26.9% 的成绩。​

• 工具加持：当允许使用工具（如代码解释器）时，成绩飙升至 41.0%。​

• 此外还有 “重思考” 模式：在这个模式下，Grok 4 Heavy 的得分达到了恐怖的 58.3%！
• 
  
• 这是一个什么概念？此前，无论是 Claude 4 Opus、Gemini 2.5 Pro 还是 OpenAI 的 o3，在 HLE 上的得分普遍在 15%-25% 的区间徘徊。Grok 4 几乎将 SOTA（State-of-the-Art，即当前最佳水平）的纪录翻了一倍多。
  马斯克在发布会上的那句 “Grok 4 在每一个学科上都优于博士水平，没有任何例外”，不再仅仅是豪言壮语，而是有了数据的支撑。他进一步解释：“Grok 4 比几乎所有学科的所有研究生都要聪明，而且是同时！它在所有领域都达到了博士后水平，是所有领域，没有例外。这值得我们反复回味。
  除了 HLE，Grok 4 在其他各大顶级基准测试中也实现了全面引领：
  • ARC-AGI-2（抽象推理挑战赛）：在这个被认为是衡量通用人工智能潜力的关键测试中，Grok 4 (Thinking) 以 15.9% 的得分创下新的 SOTA，几乎是之前商业模型最高纪录的两倍。​

  • AIME 25（美国数学邀请赛）：Grok 4 Heavy 史无前例地取得了 100% 的满分，完美解出了所有高难度数学题。​

  • GPQA（研究生水平问答）：得分高达 88.9%，超越所有对手。​

  • Artificial Analysis 智能指数：在这个综合了 MMLU-Pro、GPQA Diamond、HLE 等七项顶级评测的综合指数中，Grok 4 以 73 分高居榜首，超越了包括 o3-pro、Gemini 2.5 Pro 在内的所有模型。
  • 
    
  • 
    
  • 这一系列的成绩，标志着在 AI 的 “智商” 竞赛中，Grok 4 已经暂时坐上了王座。