期待了兩週的 Grok 4 終於來了！
一大早 family 群裡的小夥伴們已經啟動好倒計時。
原定北京時間 7.10 號 11 點，結果硬生生遲到 1 個小時。。12 點才開始。
不愧是你鴿王。
直播現場馬斯克用一句話開場：
“它是世界上最聰明的 AI”。
上一次這句話出現還是 Anthropic 釋出 Claude 4，這次聽上去也毫不誇張。
xAI 釋出了兩個版本，分別是Grok 4 和 Grok 4 Heavy。
你光看名字可能會以為 Grok 4 Heavy 是加了引數的 plus 版，no，Grok 4 是單體模型， Heavy 是多智慧體協作版。
當然，價格也是真貴。Grok 4 放在了 30 刀每月的 SuperGrok 套餐裡，Grok 4 Heavy 則要300 刀，名字也乾脆叫 SuperGrok Heavy。
全榜單第一
老規矩，先來看榜單成績。
上來就是大模型的魔鬼榜單—— Humanity’s Last Exam（HLE），也被稱為大模型的終極閉卷，包含 2500 道高難度題目，覆蓋超過 100 個學科，從數學、化學、語言學到人文社科，能把任何一個博士搞破防的那種。
Grop 4 和 Grok 4 Heavy 拿下了這個榜單的第一和第二，Grok 4 Heavy 得分 44.4%，幾乎是第二名 Gemini 2.5 Pro 的 2 倍。2024 年底，多數模型在 HLE 還不到 10 %，OpenAI o3 做到 20 % 已被稱為“巨躍”，Grok 4 這相當於直接跳過一整代。
這張圖我必須好好解釋一下。這是「Scaling HLE – Test time」曲線圖。
乍一看 Grok 4 Heavy 在 HLE 上達到了 50.7%，非常牛筆。
注意這裡縱軸（Text-only）是 HLE 文字子集的準確率，HLE 全集裡還有圖表的視覺題目，這裡刨除了視覺題，排除視覺弱點，用純文字題代表模型的“深度推理 + 專業知識”能力。
只靠訓練算力能把模型推到 30 ~ 40 %，而在推理階段再加算力 ＋ 工具 ＋ 多智慧體，可以把 Grok 4 Heavy 送上 50 % + 的門檻。在 32× 推理算力 + 工具 條件下達到頂點 50.7 %。
這裡 32× 並非 32 臺 GPU，而是一次併發 32 個推理分支，Groq 的做法是多智慧體 + 深度搜索。
每個分支裡可反覆呼叫檢索、程式碼執行、符號推導等外部 API，從 1 並行開到->32 倍，一次拉起 32 個智慧體，彼此之間互相比對思路，找出突破口 Agent，然後得出全域性最優答案。官方比喻“就像博士生團隊結組做題”一樣，比單體準確率提升明顯。
要知道在 HLE 這種博士級卷子裡，50 % 可以代表進入高階專家水平了，這可是 LLM 第一次到達半卷線，第一次實現「答對多於答錯」，意味著 AI 輸出開始具備可採信的程度。
然後，再來看其他榜單。
一眼望過去，幾乎所有你能叫得出名字的 benchmark，Grok 4 Heavy 全部榜一。
在 AIME25 和 HMMT25 這種偏奧數題型的資料集上，Grok 的表現尤其激進，Grok 4 Heavy 拿到了 100% 和 96.7%，甚至普通 Grok 4（無工具）都接近滿分，看來它在數學方向是有針對性最佳化的。
ARC-AGI：代表認知能力上限
可能有朋友不太瞭解這個，ARC-AGI 是業界最嚴苛、最接近 AGI 能力的測試之一（之前 OpenAI 搞出來的）。比“考試題”更貼近真實工作流：它要求模型先讀說明、再查資料、寫指令碼、驗證結果——整個鏈條必須自洽。
圖的左側是效能 vs 成本。
-
縱軸：模型在 ARC-AGI v2 上的得分，越高代表越能在陌生任務上自我規劃並正確完成。 -
橫軸：每個任務的執行成本（越靠左越便宜）。
你會發現，GPT-4、Claude、Gemini 都集中在中間區域，而 Grok 4 不僅得分最高（15.9%），還位於相對成本低的區間。這代表同等成本，單位美元智力翻倍。
圖的右側是模型排行榜。
ARC-AGI v1 （v1 題集規模小（26 題），已被多數模型刷過）上，Grok 4 的準確率為 66.6%，明顯高於 Claude Opus（35.7%）和 GPT-4（60.8%）。
在 v2 版本（更難，半私有）中，Grok 4 依然領先，得分為 15.9%，同樣遠超其他模型。DeepSeek R1 僅 1.3 %，證明 v2 對“純語言答題”模型幾乎是硬牆。
16 % ≠ AGI，但意義不小：過去 18 個月，從 3 % → 8 % → 16 %，曲線跟 HLE 一樣在指數抬升，說明“會用工具解陌生問題”這一能力正快速進階。
Vending-Bench：Grok 4 還會賺錢
這張圖展示的是 xAI 內部最新設計的“自動售貨機基準測試”（Vending-Bench），用來衡量不同 AI 模型在模擬真實商業任務時的表現。
-
Net worth (mean)：期末現金 ＋ 餘貨按成本計價 -
Units sold (mean)：總售出商品數
從這個測試結果看，在 300 步、近 5 小時的模擬裡，Grok 4 的淨資產和銷量都甩開第二名 2 倍，把“會做題的 AI”拉進了“能賺錢的 AI”序列。
Grok 4 在這類“怎麼賣得更多”這種模擬商業任務裡，做得比人類更冷靜、也更能拿分。
但是，Claude 你小子不是剛賣貨賠了嗎，怎麼還比人類強這麼多。。
與 GPT 或 Claude 的“後插工具”不同，Grok 4 把工具呼叫 寫進訓練環節，不止是會考試，會用工具，會賺錢，會協作，今年下半年將接入與 Tesla Optimus 協作，實現“現實世界 RL 閉環”。
訓練規模與算力
xAI 稱訓練量遵循“每代 ×10”規律：Grok 2 → 3 → 4，未來版本仍按此節奏擴張。
xAI 自建 AI 超算叢集代號是「Colossus」，Grok 4 計算量比 Grok 2 增大了 100 倍，用了 ≈10 萬張 H100；RL 計算量超同類模型 10 倍，≈20 萬張 H100/A100 混合算力。
Grok Voice
這個可能是 Grok-3 釋出後最火的功能之一了，因為他們在預設語音體驗裡，內建了兩個帶有 18+ 暗示的互動場景。。。
別家都在強調延遲、連貫、準確率，Grok Voice 更在意聽起來有沒有感情、夠不夠自然。
現在，Grok Voice 的整體語音響應速度比以前快了整整兩倍，從你說完話到 AI 開口回應幾乎沒有卡頓；語音風格也拓展到了 5 種不同型別。
日均互動時長比原來提升了 10 倍。
最後
他們也在最後非常實誠的說出 Grok 當前的多模態能力其實很差。
但這塊短板，很快就要補上了，並提出了月更計劃。
8 月將推出專門的程式碼模型，9 月上線具備自主感知與任務協同能力的多模態 Agent，10 月則釋出重量級影片生成模型。
下一代模型重點在三個方向：影像理解、影片理解和使用者感知（audience awareness），將具備全套工具呼叫能力，可以與其他代理協同完成任務。也就是多模態 Agent。
影片生成在接下來的 3-4 周內，將啟動一個 超 10 萬 GB 訓練規模的影片模。，模型單體大小預計超過 200GB。看來 xAI 正在快速補位 OpenAI、Google 在影片生成上的領先優勢。
而最終的目標，是讓 AI 不再只是內容生成器，而是內容的合作者：你可以在 X 平臺上干預劇情、切換角色、重寫走向，生成你自己的冒險故事。資訊流、內容流、生成流、互動流，這一串鏈條正在 xAI 手裡打通。
敬請期待，我只希望別再遲到了。。