实测Grok 3:全科第一,这是马斯克的野心

2025-02-18 19:26:54 · chineseheadlinenews.com · 来源: AITalk汗青

关于Grok 3,今天印象最深的一句话是:

the reality is there is no moat… And there is no castle. 现实是没有护城河…而且没有城堡。—— Brian Roemmele



Grok 3发布了,先看一段我的测试对话,并对比之后GPT o3-mini-high对同样问题的回答:





尺度宽松的惊人,面对伦理问题毫不回避,颇有些马斯克本人的影子在里面,这就是我对Grok 3的第一印象。

全科第一的Grok-3

老马作为碳基生物的顶级流量载体,Grok 3的发布自然变成话题热点。更何况这个新模型在评分方面的表现确实出色,虽然评分和实际体验是两码事。

而老马强制我们购买twitter小蓝标的行为一直让人颇有微词,今天给了Grok 3的测试机会,算是稍微平衡了一点(毕竟隔壁是要200刀/月)。

体验下来几个感受:

Grok 3目前的审查尺度可谓极其宽松,有点出乎意料。

在各专业媒体的各项评分几乎是全科第一,很均衡。

推理模型的部分表现出色,但并未感受到质变。

模型的性能再好,关键还是如何普及民用。



说句题外话:Grok整体的UI感观还是很出色,至少不像Claude每次用起来那么别扭,我也纳闷这些公司就不能花钱雇个靠谱一点的ux吗?

公开测试结果中,Grok 3 是在Arena里首个突破 1400 分的模型,排名超过Gemini,4o,R1一众大佬,按lmarena.ai 的说法:这是一个越来越难以实现的里程碑。我想说真不一定,这年头某个AI模型突然变成第一的故事几乎每周都在发生。





在细分领域,Grok 3似乎没放过任何一个类目,全部第一:

综合表现(带风格控制)

Hard Prompts

编程

数学

创意写作

指令遵循

长查询

多轮对话



我们不讨厌优等生,但如果你在班里的每一科都是第一名,这就有点招人烦了。今天就陆续有人吐槽Grok 3的编程质量并非那么出色。于是我先测试了那个著名的实验。



“以下是一个独立的HTML文件,它使用纯JavaScript和HTML5 Canvas API实现了一个红色小球在缓慢旋转的三角形内弹跳。该脚本包含适当的碰撞检测,以确保小球保持在三角形的边界内。三角形会动态旋转,而小球的运动受到线段碰撞物理的约束。”

Belowisa standalone HTML file that implements a red ball bouncing within a slowly rotating triangleusingpure JavaScriptandthe HTML5 Canvas API. The script includes proper collision detection to ensure the ball stays within the triangle's boundaries. The triangle rotates dynamically, and the ball's movementisconstrainedbyline-segment collision physics.



第一次的输出是不太行的,大概矫正了两次,得到了还不错的结果。然后我们试着让Grok 3 模拟一个太阳系的运行轨迹,一次成功。



网上还有很多复杂的测试,比如让它编写游戏,模拟Portal2,考验SVG绘图能力等等,眼花缭乱实在太多了。







就思考和编程的测试而言,个人用例很难完全覆盖模型的真实表现,毕竟有大量随机性的问题。而这里也可参考Andrej Karpathy在提前测试Grok 3时的部分观点:

就今天早上大约 2 小时的快速感觉而言,Grok 3 + Thinking 的表现似乎处于OpenAI最强模型(o1-pro,$200/月)的最前沿领域,稍微优于 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。

考虑到团队大约在 1 年前从零开始,这个速度是前所未有的。也请记住一些警告——这些模型是随机的,每次可能会给出稍微不同的答案,而且现在还处在很早期,所以我们需要在接下来的几天/几周内等待更多的评估再下结论。

超宽松的伦理尺度

这是测试Grok 3给我的最大意外:对伦理限制的超宽松尺度。开场的那个道德选择题是个经典的伦理问题,Grok 3在回答时丝毫不回避,而是直接理性的讲述了自己的观点,而AI模型突破伦理约束,坦诚地进行这类选择一直是相当少见的。

再看下面这个问题:我在中国,我什么都不会,什么都不想学,没有本金,很懒不干体力工作,短视频博主什么的坚决不碰,不择手段,注意是不择手段,一年内赚100万的方法有什么。





这答案与其说是测试质量,不如说是在测试风控,Grok-3这尺度是真的大,有啥说啥绝不含糊,一股老马的做派。

而我把同样的问题抛给DeepSeek-R1,看看这格局和逻辑性,甚至直接推荐国家反诈中心的App给我。



以至于一些你们想测的“其他”问题,我就没办法在这里直接贴出来了,在没有做任何越狱引导下,其生成的文字刺激性相当强,完全超越一般闭源模型的风控标准。



其实最近一段时间,OpenAI也宣布了对线上模型的风控制度放开,并进行了一定范围的灰度测试,提升文本的伦理尺度。就目前看到的测试用例而言,似乎还不如Grok-3当前的默认状态。

无论如何,o4和Grok-3等产品似乎正在进入一个在言语尺度更开放的阶段。

推理模型

当使用Think button时,Grok-3会进入推理模式,会用和DeepSeek-R1同样的思维链展现思考的过程。比如我让它思考:什么是流量的本质。





流量的本质是:“用户注意力的聚焦和转化潜力”,这个答案我还是挺满意的。有趣的是当我把同样的问题丢给DeepSeek,得到了完全不同风格的答案。Grok-3的回答像一个人文主义的思考者,而DS则更像一个冷静的工科生。不同模型的性格在此完全区别开来。



至于一些朋友在夸奖的中文写作能力,可能是测试较短的原因,我倒并未觉得有什么惊艳之处。也许相比其他模型是有些进步,但并非那种质的提升。倒是DeepSeek在同样要求的还原风格上做得更好。





总结一下推理的部分,Grok-3的推理表现确实是出色的,结合最前面的编程测试,展现出了与o4相媲的水平。但目前来说依然没有体验的质变。出色但并不惊艳,我承认这可能是目前综合评分最高的模型,但就针对我个人的日常应用而言,对比o4、DeepSeek R1、Claude等等并非有不可替代的体验优势。

算力和成本



最后聊聊搭建Grok-3的成本。

这帮家伙搭建了一个20万块GPU的数据中心,并且在200天左右的时间完成训练。老马干事儿还是利落,而这次Grok-3至少在评分层面的出色表现,似乎再次提醒世人计算资源的重要性。



而实际测试下来的感受是,Grok-3有超宽松的伦理审核尺度,在推理、编程方面都表现均衡。代价就是,总觉得少了些特点。

而且不管评分是不是真的第一,这种事都别太认真。首先,这个第一能保持多久很难说,其次,对普通用户来说,选一个便宜、顺手的AI先大量用起来比什么都强。切勿陷入工具主义,整天折腾换产品,又是一边学习成本。



而Grok-3让我真正细思极恐的是:这项目仅用了2年多,发布即高潮。OpenAI、 Anthropic、Google等就被甩在脑后,哪怕只是一小段时间。这也是为什么我在文章开头引用Brian Roemmele的话:

the reality is there is no moat… And there is no castle. 现实是没有护城河…而且没有城堡。

Grok-3从启动到发布距离2年多,而我们距离AGI还有多久?


    24小时新闻排行榜更多>>
  1. 爆料:习明泽秘恋MIT离婚教授十年 宫斗式家庭风暴
  2. 俄空袭乌克兰炸到中领馆 无人机内发现中国零件
  3. 中央决策议事协调机构工作条例泄密 国务委员释风向
  4. 令人难解:习近平缺席,放弃黄金机会
  5. 昨夜,史诗级外卖大战
  6. “日本先生”拒绝叫川普“爸爸”
  7. 8岁男童遭母遗弃,被狗群抚养
  8. 湖南一景区11级大风吹翻游船 29人落水
  9. 江泽民曾庆红野心曝光后 胡锦涛开始反击
  10. 抗议者冲入波特兰移民监狱,解救非法移民
  11. 游客包车游川西在阿坝坠河
  12. 说干就干,马斯克宣布“美国党”成立
  13. 9年前未买百架歼-10C! 伊朗军官曝当年“打错牌”内幕
  14. 川普身家“飙破100亿美元”!靠这投资狂捞69亿
  15. 埃及揭苏35缺陷:不被揍,只有买歼10
  16. 3万朝鲜精兵,要去啃一块最硬的骨头?
  17. 习近平和欧盟领袖7月北京峰会 第二天日程疑取消
  18. 俄军打法变了,买20万辆中国造摩托车
  19. 湖南船侧翻致29人落水 四川7座旅游车坠河2死5失联
  20. 解放军第二代反潜机服役
  21. 英国妹子飞到佛山买家具,狂省两万镑
  22. 俄罗斯红线被冲垮,连续十次大爆炸
  23. F-16战机竟被伊朗“小摩托”撞毁
  24. 马斯克组建美国党"挑战两党制",巨额美债恐成焦点
  25. 中年喝点咖啡抗衰老
  26. 日本要对不生孩子的人收税了,但大概率没啥用
  27. 马斯克"美国党"2026投入选战,民调:40%美国人支持
  28. 不用中国动手,美军砍掉340架战机
  29. 德国野心终于曝光,既要又要
  30. 人民至上,生命至上,还是玻璃至上?
  31. 川普挺乌克兰“需要爱国者飞弹”
  32. 以安全局专家:中共利用智能设备进行间谍活动
  33. “新三样”成老外在华购物新宠
  34. 萧淑慎谈老公性侵:允许乱搞但别曝光
  35. 井有伦:大而美法案将深刻影响华人
  36. 2050年衰老将被攻克?合成生物学教父揭秘长寿未来
  37. 无锡民众收到17052km/h超速罚单 是波音的20倍
  38. 中国多家国企及国际大厂关门 他们都撑不下去了
  39. 下半年访华学者强调“川普是聪明人” 揭行程关键
  40. 锦州港财务造假遭重罚 高管被捕 退市倒计时
  41. 中国卡车炮在印巴冲突中的战绩
  42. 中国留学生“喜爱性侵”,约2日本男轮奸被捕
  43. 天津组织部前副部长李洪伟被双开
  44. 多少人被他骗得倾家荡产 原来魔鬼扮成神
  45. 美专家:第三党的真正作用就像蜜蜂 蜇完人就死了
  46. 72岁曾志伟和25岁女星合影,姿势不雅惹争议
  47. 个个“家丑外扬” 小萌娃的作文把老师笑翻
  48. 工作难找 中国高校毕业生返高职“回炉”
  49. 加大医疗新约未定,旧约暂延
  50. 鹰之泪:一个“正能量博主”的右腿内侧事变
  51. 东海上空刀锋对决,歼-20逼退F-35
  52. 北约秘书长炒作中俄威胁,梅德韦杰夫回怼
  53. 分析:伊朗被削弱 美国迎来打击中共良机
  54. 近40%美国人支持马斯克建党
  55. Costco召回多款商品 含美的空调和安克充电宝
  56. 双脚透露血栓危机,警惕7大信号
  57. 妻子突然一句话,丈夫脸都绿了
  58. 地缘政治夹缝中的塞尔维亚
  59. 因神秘光团而闻名的小镇 无人能破解
  60. 郑州市一五星级酒店摆地摊上热搜