20萬張GPU！馬斯克掏出「地表最強」大模型Grok-3，排行榜登頂，復仇OpenAI

帶點特斯拉、SpaceX 基因，工程能力很強。

馬斯克 xAI 的最新旗艦大模型 Grok3 終於現身了！

中午 12 點，所有人都在馬斯克的直播預告中開始了等待。

在等到 20 分鐘、線上觀看人數達到 100 萬時，直播終於開始，馬斯克也出席了。直播主題為「我們的使命是理解整個宇宙」。

根據工程師們介紹，準確地說，Grok 3 是一個系列，不只是某一個模型。Grok 3 的輕量版本 Grok 3 mini 可以更快地回答問題，但會犧牲一些準確性。目前並非所有型號都已上線，但會從今天開始陸續推出。

馬斯克則直接表示：Grok 3 比 Grok 2 「好 10 倍」，並且擁有擴充套件的訓練資料集。

另外，原定要釋出的語音模式延期了，但也不會等太久，一週左右就行。

不過現在的大模型，總會在聚光等下被人仔細檢查。xAI 一直在使用位於孟菲斯的一個巨大的資料中心 —— 一個包含大約 20 萬塊 GPU 的資料中心來訓練 Grok 3。

^{這個資料中心建造的速度極快，只用了 122 天，二期還將增加到 20 萬塊 GPU。}

Grok 3 釋出後有人就第一時間指出：它消耗的算力是 DeepSeek V3 的 263 倍。不知道這個計算是否準確？

看來 Grok 3 主打一個力大磚飛，我們來看下基準測試的成績吧。

在 Math（AIME 24）、Science（GPQA）和 Coding（LCB Oct-Feb）三方面，Grok-3 大幅超過 Gemini-2 Pro、DeepSeek-V3、Claude 3.5 Sonnet 和 GPT-4o。這些被用來對比的模型的效能與 Grok-3 mini 相近。

在大模型競技場 Chatbot Arena（LMSYS）中，早期 Grok-3 版本的得分取得了第一，達到 1402 分，超過了包括 DeepSeek-R1 在內的所有其他模型。Grok-3 也成為有史以來首個突破 1400 分的模型。

下圖展示了 Grok-3 和其他模型在程式設計、數學、創意寫作、指令遵循、長查詢、多輪對話等場景中的排名情況。可以看到，Grok-3 在每個維度上都排第一。

比如，在編碼任務中，Grok-3 超過了 o1、DeepSeek-R1、Gemini-thinking 等主要推理模型。

在 Grok-3 釋出不久，AI 大牛 Andrej Karpathy 曬出了自己的「早鳥」體驗。他的初步感覺概括如下：

Grok-3 + Thinking 的水平接近 OpenAI 最強模型（每月 200 美元的 o1-pro）的最先進水平，略優於 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。
Grok-3 會嘗試解決黎曼猜想，這一點和 DeepSeek-R1 類似，不像其他許多模型（o1-pro、Claude、Gemini 2.0 Flash Thinking）立即放棄並簡單地說這是一個重要的未解問題。
DeepSearch 大約在 Perplexity DeepResearch 產品的水平，但還沒有達到 OpenAI 最近釋出的「Deep Research」的水平，後者感覺更加徹底和可靠。

推理能力一騎絕塵

超越 o3 mini、R1 等所有對手

與此同時，Grok-3 支援推理能力，解鎖了測試時計算（test-time compute）能力。這意味著競爭激烈的推理模型市場又迎來了一個強勁對手。

Grok-3 的推理基準測試結果也說明了這一點，它分為了兩個版本，分別是 Grok-3 Reasoning Beta 和 Grok-3 mini Reasoning。

當使用更多測試時間計算時（圖中延長部分），其中在數學（AIME’24）、科學（GPQA）和編碼（LCB Oct-Feb）資料集上，Grok-3 的「推理 + 測試時計算」表現均超越了 OpenAI o3 mini (high) 和 o1、DeepSeek R1 和谷歌 Gemini 2 Flash Thinking 等其他一眾推理模型。