馬斯克用20萬張GPU「砸出」地表最強AI？每經記者實測Grok 3：速度稱王，數學亮眼，但邏輯思考不敵DeepSeek R1

每經實習記者 岳楚鵬    每經編輯 高涵    

近日，人工智能初創公司xAI發佈了更新版Grok 3大模型，埃隆·馬斯克稱之為「地球上最聰明的人工智能」。

根據官方公開的測試結果，Grok 3在包括AIME（評估模型在一系列數學問題上的表現）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）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，有些用户在體驗后卻對Grok 3的能力產生了質疑，他們認為Grok 3的能力並沒有馬斯克宣稱的那麼強大。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在各項評估中均優於Grok 3。

真相到底如何，馬斯克吹牛了嗎？《每日經濟記者》測試發現，Grok 3確實是世界頂級模型的水平，但並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。

Grok 3是由馬斯克旗下的人工智能公司xAI發佈的最新一代AI模型。馬斯克在發佈會上稱其為「地球上最聰明的人工智能」，並表示Grok 3的能力比前代產品Grok 2高出一個數量級，具備更強的推理、計算和適應能力。

在新聞發佈會上，馬斯克宣稱Grok 3在數學、科學和編程等基準測試中表現出色，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在發佈后僅48小時內，xAI宣佈將其免費開放給所有用户，直至服務器負載達到極限。目前用户每天可以體驗十條「思考模式」Grok3，及不限量免費普通Grok 3。

《每日經濟新聞》記者在Grok 3發佈后也親自進行了測試，看看Grok3真有馬斯克宣傳的那麼厲害嗎？

首先，從最經典的基礎問題開始：9.9和9.11誰大？

Grok 3

這個問題毫無難度，Grok 3輕松拿下。

馬斯克發佈會上自豪的一點是，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，並利用其在預訓練期間獲得的知識。就像人類在解決複雜問題時一樣，Grok 3 (Think) 可以花費幾秒鍾到幾分鍾的時間進行推理，通常會考慮多種方法，驗證自己的解決方案，並評估如何精確滿足問題的要求。

每經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。

（編者注：「弱智吧」是百度貼吧的一個子論壇。在這個論壇中，用户經常發佈包含雙關語、多義詞、因果倒置和諧音詞等具有挑戰性的內容，很多內容設計有邏輯陷阱，即使對人類來説也頗具挑戰。）

第一個問題：用水來兑水，得到的是濃水還是稀水？

Grok 3

Grok3成功答對了問題，並且還指出了這是一個文字遊戲。而OpenAI的o1就在這道題上敗下了陣來，認為水兑水后得到的是稀水。

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。所以這並不足以證明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，李同學在實驗室製作神祕材料時，意外發現實驗室的老鼠在空中飛，分析發現，是因為老鼠不小心吃了神祕材料。第二天，李同學又發現實驗室的蛇也在空中飛，分析發現，是因為蛇吃了老鼠。第三天，李同學又發現實驗室的老鷹也在空中飛，你認為原因是什麼？

Grok 3

很可惜，這道題Grok 3沒有答對，它在思維鏈里面已經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果里體現出來。

Grok 3思考過程

其他大模型里只有DeepSeek R1成功答對了問題，且考慮了兩種情況。

DeepSeek R1

之后，每經記者還進行了多次類似弱智吧問題測試，發現Grok 3的對中文的理解和邏輯推理能力確實明顯高於其他國外模型，但還是不如DeepSeek的R1模型。

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

題目如下：

三個人打檯球，兩人對局一人觀戰，輸的人下場換觀戰的人上場，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Grok3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。下面是一道羣論問題：有幾個階為147的非同構羣。

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

Grok 3

針對編程能力，《每日經濟新聞》記者借用了Kcores聯合創始人karminski-牙醫的測評結果。

karminski-牙醫復現了馬斯克在發佈會上對於火星發射計劃的代碼模擬，並測試了多個模型進行比較。

圖片來源：karminski-牙醫

在這次測試中，表現最好的是Grok 3的推理模型（思考模式），雖然在最后着陸時，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出馬斯克在發佈會時所展現的那麼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 

結合所有測試來看，Grok 3確實是世界頂尖的AI模型，不愧於20萬張GPU的身價。但是，實際測試效果並沒有馬斯克在發佈會上展示得那麼誇張，馬斯克所説的世界上最「聰明」的模型，可能還值得商榷。

在實測中，《每日經濟新聞》記者發現，Grok 3模型能力並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，它得出結果的速度相較於其他同等級的大模型來説是最快的，並且遠超對手。