测试「天下最聪明」的 Grok3:它真的是模型边际效应的终点吗？

马斯克的xai团队发布了grok3，号称超越所有主流ai模型，并计划用于spacex火星任务。然而，实际测试结果却引发争议。

Grok3在一些简单常识问题上表现不佳，例如无法正确区分9.11和9.9的大小，以及在游戏《流放之路2》职业分析中出现大量错误。

虽然xAI宣称Grok3在Chatbot Arena榜单上遥遥领先，但其优势被质疑为数据呈现技巧，实际得分与DeepSeek R1和GPT4.0差距微小。

Grok3的训练耗费了20万张H100显卡和两亿小时的训练时间，但其性能提升却呈现边际效应，与DeepSeek V3相比，算力消耗高出263倍，而性能提升却有限。

许多测试者认为Grok3的表现并未优于R1或o1-Pro。马斯克则回应称当前版本仅为测试版，并呼吁用户反馈问题。

Grok3的发布引发了业界对大模型训练方法的反思，OpenAI前首席科学家Ilya Sutskever去年提出的“预训练即将结束”的观点再次受到关注。

Grok3或许预示着大模型训练正走向瓶颈，未来需要探索新的训练方法，例如更有效的微调技术，以突破现有局限，最终实现真正的AGI。