今年才刚刚过去两个月， AI 模型竞技场的火热程度，堪比年底冲业绩。

就在今天中午，马斯克预告的那个号称 “ 地球上最聪明的人工智能 ”Grok 3 ，终于来了。

发布会还是马斯克惯有的风格，说好的十二点准时开始，结果还是晾了大家快二十分钟。

一个小时的直播，马斯克携 xAI 天团（ 四个人里就有两位华人 ），从各个方面介绍了 Grok 3 究竟有多厉害。一看纸面数据，又是吊打诸如谷歌、 OpenAI 和 DeepSeek 等一众明星公司的招牌模型。

反正直播刚一结束， X 上就不淡定了，有人已经提前体验上了 Grok 3 ， Andrej Karpathy 说它的推理能力跟 o1-pro 差不多，而且还要略优于 DeepSeek R1 和 Gemini 的推理模型。

还有老哥用 AI 生成了一个奥特曼看到 Grok 3 发布后的视频。。。

国内外关于 Grok 3 的报道也是满天飞， “ 首个突破 1400 分（模型在 Imarena.ai 竞技场的得分 ）的模型 ” “ 首个十万卡集群训练出来的模型 ” 。。。各种 title 看着就唬人。

而世超在第一时间，也观看了这场发布会，不能说炸裂，但至少从直播内容来看， Grok 3 确实 又一次延续了AI 领域大力出奇迹的神话。

目前， Grok 3 只对部分 X 的 Premium+ 会员开放，所以咱就简单从发布会的内容给大伙儿介绍，这个 Grok 3 究竟是啥水平。

一上来，就拿 Grok 和 GPT 的模型迭代速度进行了对比。

图上明明标着 Others ，但 GPT 是卷卷有爷名，针对性很强。

而在模型性能方面， Grok 3 这次也是铁了心要跟其他模型争个高低。

需要注意，根据官方的介绍， 这次的 Grok 3 事实上是一个模型家族，大致可以分为非推理模型和推理模型两种。

咱先来看非推理模型，也就是 Grok 3 和 Grok 3 mini 。

还是熟悉的 Benchmark 基准测试， xAI 拉来了 Gemini 2.0 pro 、 DeepSeek V3 、 Claude 3.5 Sonnet 还有 GPT-4o 四个模型，跟自家孩子进行对比。

在 AIME ’ 24 数学竞赛、 GPQA （ 研究生水平科学知识问答能力的基准测试 ）和代码三项测试中， Grok 3 的成绩肉眼可见高出了其他模型一大截。

Grok 3 mini 的水平虽然跟其他模型大差不差，但直播中也提到了， mini 版本可以通过牺牲一定程度的准确性，来换取更快速度的回答。

另外，在 Chatbot Arena 的盲测中， Grok 3 代号叫 “ 巧克力 ” 的早期版本也登上了榜一，分数更是史无前例破了 1400 分。

具体来看，巧克力在整体风格控制、编码、数学还有创意写作等多个方面，全都拿了第一。

主要巧克力还只是早期版本的 Grok 3 ，今天的最新版 Grok 3 性能或许还会更强。。。

再来看 Grok 3 的推理模型。

推理模型大家应该不陌生，毕竟 OpenAI 的 o1 系列、 o3 mini 还有 DeepSeek R1 ，都已经杀红眼了，思维链也不是什么新鲜玩意儿。 现在各家上新的模型里，如果不是推理模型，可能都不好意思拿出来。

所以这次， Grok 3 Reasoning Beta 和 Grok 3 mini Reasoning 也代表 xAI 出战了。

同样还是纸面实力，表面一看还是吊打的姿态。

但有个需要注意的地方，这个测试中，加了 Test-Time Compute 。

简单理解就是 给了模型更多的时间去思考，同一个横坐标上颜色浅一点的部分，就是加时赛的成绩。

可以看到，如果不算上加时赛， Grok 3 两个推理模型跟其他模型的差距，并没有那么大。一旦加了时长，这差距马上就体现出来了。

换句话说， Grok 3 的推理模型思考的时间越久，表现越好。

在现场，马斯克他们还展示了 Grok 3 推理模型，在 2025 年 AIME 数学竞赛上的测试结果。

说实在的，如果不算上 Test-Time Compute ，好像还是 o3-mini （ high ）的推理能力更强。。。

为了证明自己不是说说而已，马斯克他们在现场直接进行了效果演示。

让 Grok 3 生成 3D 动画代码，可以看到模型一步步的思考过程。但他们也提到，这个思考过程是被模糊处理过的， 理由跟奥特曼的差不多，都说是为了防止模型被抄袭。

另外，现场还让 Grok 3 生成一个，结合了俄罗斯方块和宝石迷阵两种游戏规则的新游戏。

这很难不让人联想到，马斯克昨天实锤了 xAI 要成立一家 AI 游戏工作室的事情，如果 Grok 3 的游戏制作能力，真的跟现场演示的一样甚至更强，这对于整个游戏圈的影响都将是巨大的。

而且根据马斯克的说法， Grok 3 在未来的两到三年内，还可能参与到特斯拉的生产还有火箭发射的过程当中。

最后，就是基于 Grok 3 构建的 Agent ， Deepsearch 。

这玩意儿其实就是个智能搜索引擎，有点像 Perplexity 的 Deep Research 和 OpenAI 的 Deep Research 。

当你问 Grok 3 下一次星舰发射是啥时候，左边会显示一个总体的进度条，右边则是展示浏览了哪些网页、对哪些信源进行了验证。。。

最后得出了下一次发射的时间，是 2 月 24 日。

当然了，这次 Grok 3 之所以看上去如此强大，抛不开马斯克老早就在念叨的， 只花了 122 天就搭建起来的 10 万卡集群。

在此之后，他们又花了 92 天扩展到了 20 万卡集群，一招大力出奇迹，在不到一年的时间里，供出了 Grok 3 。

这段时间大家都在争论的技术路线问题，但 Grok 3 的出现似乎再一次证明了，算力的绝对力量。

就是，把 20 万卡供出来的 Grok 3 和 DeepSeek 的模型放在一起比较，多少有点刻意了。。。

除此之外，马斯克在前几天的迪拜峰会上也提到， Grok 3 经过了合成数据的训练，能够通过检查、验证信息来反思自己的错误。

总而言之，这次的 Grok 3 的确算是拿出了点真家伙。

不过世超也注意到，在 Grok3 抢先体验的用户分享当中， 有不少跟宣传不符的实际测试案例。

就比如这位老哥用同一组 prompt 测试了 Grok 3 、 o3 mini 还有 Claude 3.5 Sonnet ，结果 Grok 3 翻得有点彻底。。。

在另外一组测试中， o3 mini 的表现也要优于 Grok 3 和 DeepSeek R1 。

还有放大镜选手，直接指出了发布会演示的案例里，有明显错误。

虽然世超这次没能实际上手测试，但从外部的一些实测案例来看， Grok 3 似乎也没有营销的这么神。

而且这次 Grok 3 上线后，很多人的注意力都放在了模型是否开源上。

根据马斯克的说法， xAI 一般是新模型发布后再开源旧模型，也就是说，就算开源也是老版的 Grok 2 。

看样子，来自开源阵营的压力还是不够大，马斯克想狙的还是老对手奥特曼。

就是不知道，已经在 X 上预告了的 GPT 4.5 ，能不能打一场翻身仗了，大家就等着看吧。

撰文：西西

编辑：江江&面线&大饼

美编：富贵

图片、资料来源：

X、xAI、Imarena.ai