馬斯克Grok 4逆天跑分泄露，「人類最后考試」豪取45%全場第一！

Grok 4馬上就來，馬斯克説的！

甚至，現在部署的Grok，已經在能力上有了顯著的提升。

目前，這一消息已經得到了AI圈知名大佬Tibor Blaho的確認。

根據泄露的數據，Grok 4在GPQA、AIME 25和SWE-bench評測中可謂是「遙遙領先」，全面碾壓谷歌Gemini 2.5 Pro、OpenAI o3和Claude 4 Opus。

• GPQA（研究生級物理和天文學問題）：Grok 4得分87-88%，略優於Gemini 2.5 Pro的86.4%，明顯超過Claude 4 Opus的79.6%。

• AIME 25（2025美國數學邀請賽）：Grok 4得分95%，大幅超越Claude 4 Opus的75.5%，並優於OpenAI o3的88.9%。

• SWE-bench（真實軟件工程問題）：Grok 4 Code得分72-75%，略優於Claude Opus 4的72.5%，略高於OpenAI o3的71.7%。

不僅如此，Grok 4還在覆蓋範圍最廣、難度最高的終極閉卷學術基準「人類最后的考試」（Human Last Exam，HLE）上取得了默認35%、最高45%的驚人高分。

這也意味着，最強狀態下的Grok 4，得分是現任老大Gemini 2.5 Pro的2倍——高出了整整24個百分點。

相比正確率只有10.7%的Claude 4 Opus，成績直接翻了4倍還多。

HLF這門考試堪稱殘酷，是專為挫敗LLM的鋭氣而設計：

• 橫跨100多個學科的2,500道專家級試題

• 14%為多模態題型（文本+圖像）

• 24%的問題為多項選擇題

• 設有防記憶陷阱和隱藏測試集，用於阻止「作弊式訓練」

下圖是所含知識的高層次可視化圖表，其中的每個類別還包含有很多具體學科。

要知道，大多數前沿模型在這一分數面前都望塵莫及。

如果此次泄露屬實，那麼Grok 4就算闖過了AI基準測試領域最難的關卡之一。

由於在HLF的得分異常地高，Grok 4的發佈再度引起了社區的廣泛討論。

是的，如果屬實，這意味着該模型具有極其強大的世界知識。

看到如此之強的Grok 4，網友們已經迫不及待了，紛紛在線催更：

Grok 4源代碼泄露

馬斯克此前的採訪中，曾經透露説。

Grok 3.5 正在嘗試從第一性原理出發進行推理，也就是將物理學的方法應用到思維過程中。

Grok-3.5正是如今的Grok 4，老馬決定一步到位，從Grok-3直接到Grok 4，不再擠牙膏了。

這似乎預示着Grok 4的能力會非常大的突破！

幾天前，X上就有人發現在xAI控制檯源代碼中發現的2個Grok 4模型：Grok 4和Grok 4 Code

Grok 4：

• 最新、最卓越的旗艦模型，在自然語言、數學及推理領域展現出無與倫比的性能，堪稱萬能的完美之選

Grok 4 Code：

• 專為編程伴侶量身打造的模型。可以向它諮詢代碼相關的問題，或直接將其嵌入到代碼編輯器中

也有人持懷疑態度

當然也有人似乎是被之前Grok 3的炒作「傷透了心」。

HLE的創建者Dan Hendrycks是xAI的親密顧問（相比其他實驗室而言）。

網友們想知道Dan Hendrycks是否只提供了安全方面的建議，還是以某種方式給出了增強科學知識細節的具體研發建議。

這不禁讓人們聯想到此前Llama 4的翻車鬧劇，也是因為提前進行了「針對性的訓練」。

馬斯克親自帶貨

馬斯克曾在6月27日發帖稱，正和團隊加班加點的研發Grok。

將在7月4日后發佈Grok 4，按照美東時間，今天開始，任何時候都有可能見證Grok 4的發佈。

馬斯克特地強調了，需要一次大型訓練來開發了「特殊」的編碼模型。

在5月20日的微軟Build 2025大會上，馬斯克現場講述了Grok 3.5（Grok 4）將從第一性原理出發進行構建。

馬斯克：

尤其是在即將發佈的Grok 3.5中，我們的目標是讓模型從 第一性原理 出發進行推理。 

也就是説，像物理學家那樣思考，借用物理的工具來分析問題。 

如果你想要探尋事物的本質真相，就必須把問題分解到最基本、最可能正確的公理層面，然后再從這些基礎出發向上推理。 

接着，你可以將最終結論與這些基本原理進行校驗。 在物理學中，如果你得出的結果違反了能量守恆或動量守恆，那你要麼發現了諾獎級別的新理論，要麼——更可能的是——你搞錯了。 

所以我們打造Grok 3.5的核心目標，就是以物理的基本原理為指導，應用這些方法來推理各種問題，力求以最小的誤差，接近真實。 

當然，出錯是難免的，但我們的目標是持續減少這些錯誤。這個方向對於 AI 安全 至關重要。 

我長久以來都在思考AI安全問題，而我最終得出的結論，其實可以用一句老話來概括： 誠實是最好的策略 。 

這不僅是道德要求，更是安全保障。 當然我們也會犯錯，但我們承諾會盡快修正這些錯誤。 

我們也非常期待來自開發者社區的反饋——你們需要什麼？我們哪里做錯了？又該如何改進？ 

我們希望Grok成為一個令開發者充滿期待的工具，一個他們的聲音能真正被聽到的平臺。 

Grok將不斷進化，努力滿足開發者的需求。

編碼能力成為必爭之地

根據Grok API此前的模型推測，這次Grok 4 Code將是發佈的重頭戲，也許還會有Grok 4 mini。

馬斯克特地提到Grok 4的編碼能力，也是受到如今各家的影響，編碼能力稱爲了衡量新模型的試金石。

谷歌

• Gemini2.5包括改進的代碼生成、複雜代碼重構/轉換、上下文管理、更好的PR評審能力，以及可定製命令等。

• Gemini CLI是近期推出的命令行AI助手，基於Gemini2.5 Pro，可處理長達百萬token的上下文，支持包括代碼編寫、調試、內容生成和任務管理於一體的多功能開發體驗。

Anthropic

• Claude 4（包含Opus與Sonnet）是Anthropic迄今最強大的模型系列，顯著提升編碼與AI agent能力。

• Claude Code專注於終端環境使用，提供從代碼編輯、問題修復、架構理解，到運行測試、lint、git操作、PR創建的一站式工具。

OpenAI

• 新版Codex是基於OpenAI o3微調而來的，用於自然語言翻譯代碼，延續迄今生成工具（如GitHubCopilot）的核心能力。

DeepSeek

• DeepSeek‑R1‑0528是DeepSeek推出的R1最新版本，定位為全能推理與編碼能力提升模型。

既然老馬着重提到了編碼能力，那麼也許這次是值得期待的。

（聲明：本文僅代表作者觀點，不代表新浪網立場。）