20 万卡吞金兽 Grok 3 炸裂登场，卡帕西大神亲测：性能超过 DeepSeek R1！网友：算力翻数倍，性能提升不到 10%？！

xAI 发布 Grok 3 和 Grok 3-mini

在 AI 领域，埃隆·马斯克再次成为全球焦点。2 月 12 日，这位科技狂人在迪拜世界政府峰会上透露，其旗下的人工智能公司 xAI 即将发布新一代 AI 模型 Grok 3，并称其为“迄今为止最强大的 AI 模型”。这一消息立即引发科技界强烈关注。

刚刚，Grok 3 连同 Grok 3 mini 如约而至。

发布会一开始，马斯克再次解释了“Grok”一词的含义。这个词来自罗伯特·海因莱因的小说《异乡异客》。这个词被一个在火星长大的角色使用，意思是充分而深刻地理解某事。“Grok”这个词传达了深刻的理解，而同理心是其中的重要组成部分。

马斯克称，Grok 3 之所以能在很短的时间内就超越 Grok 2，是因为背后有一支强大的技术团队和数据中心支持。据 xAI 团队介绍，要训练出超级规模的模型就需要一个超级规模的数据中心做支持，所以他们先是花费了 122 天建成了 10 万卡的数据中心。但随后他们发现，这还远远不够。于是他们又用了 92 天就将原来的 Colossus 规模从 10 万卡扩建到 20 万卡，并在此基础上推出了 Grok 3。

Grok 3 最引人注目的特点将推理能力整合到了模型中。推理指的是模型在尝试解决问题之前需要花费大量时间进行思考。大约一个月前，Grok 3 的预训练完成了，从那时起，xAI 团队一直在努力将推理能力整合到当前的 Grok 3 模型中。然而，这仍处于早期阶段，模型仍在训练中。

今天展示的是 Grok 3 推理模型的一部分。此外，xAI 也在训练一个迷你版本的推理模型。Grok 3-mini 与 Grok 3 在推理上取得的结果相差不大，Grok 3-mini 训练时间更长，有时它的表现甚至略优于 Grok 3 推理模型。这仅仅表明 Grok 3 推理模型具有巨大的潜力，因为它仍在训练中。

在性能效果上，xAI 从数学、科学和编码三个方面将 Grok 3、Grok 3 mini 与各主流模型进行了对比。综合来看，Grok-3 推理模型测试版在数学、科学和编码三个方面均表现优异，尤其是在编码方面得分最高。Grok-3 mini 推理模型的表现也相当不错，尽管略低于 Grok-3 推理模型测试版，但仍优于 OpenAI 的 o3-mini、o1、DeepSeek-R1 等其他主流模型。

本场发布会，Grok 3 还引入了 DeepSearch，该公司将其描述为一种新型搜索引擎和类似 Agent 功能的早期版本。据 xAI 工程师介绍，DeepSearch 是 xAI 的第一代 Agent 工具，不但能帮助开发者、研究人员和科学家编写代码，实际上还能帮助每个人回答日常遇到的问题。

据马斯克介绍，Grok 3 中支持两种订阅模式：X（推特）平台的 Premium+ 深度用户和月费 30 美元 / 年费 300 美元的 SuperGrok。xAI 将在一周时间内在 Grok 3 中上线语音模式，数周后对企业用户提供包含 DeepSearch 的 API 接入方案，并在几个月后对 Grok 2 进行全面开源，但 Grok 3 的关键训练细节和内部权重暂时不会全面公开。

性能如何？

先来具体看看现在 Grok 3 的各项水平是怎样的？

首先来明确一下 xAI 对其的使用场景目标，马斯克在直播中表示，希望能够使用 Grok 3 完成特别重要的现实任务，比如打造一台特斯拉、解决太空发射问题或者应用到数据中心。据其预测，“两年之内会发生两件事情：计算机在各方面打败人类，帮助实现诺贝尔级的科学数据突破。下一次重大突破在明年 11 月出现，我们会真正让 SpaceX 登陆火星，应用 Grok 模型来去计算整个的发射过程。

同时，xAI 宣布将成立一家 AI 游戏工作室来制作游戏。直播中，xAI 现场演示了用 Grok3 创造一个融合《俄罗斯方块》和《宝石迷阵》的游戏案例。

现在也已经有模型体验者用 Grok 3 创建了游戏：

给 Scaling Law 带来什么惊喜

此次 Grok 3 之所以在发布前就吸引来如此多人的关注，原因之一是大家对 Scaling Law 当前真实效果的重视。现在越来越多的声音称“Scaling Law 终结了”，即大模型不再具有规模效应，增加参数数量、算力、训练语料等更多资源或许也无法继续增强模型的性能效果了。

发布会上，xAI 团队透露，Grok 3 背后有 20 万张英伟达 GPU 、4 亿个 GPU 小时的超强算力支持。

Grok 3 由 Colossus 超级计算机训练完成，最初 xAI 用了 122 天让首批 10 万卡集群投入使用，后续又花费 92 天拓展到 20 万卡集群，较前代产品 Grok 2 使用的 15000 个 GPU 实现了数倍的跨越式提升。据公开介绍，OpenAI 训练 GPT-4 用了大约 25000 块 A100 GPU，据 Lambda 测算，H100 的训练吞吐量为 A100 的 160%。也就是说，GPT 4 相当于用了 15625 块 H100。

再对比近期大火的 DeepSeek，据公开论文介绍，DeepSeek-V3 的总训练成本为 278.8 万个 H800 GPU 小时。尽管另据独立研究机构 SemiAnalysis 估计，“DeepSeek 拥有约 1 万张 H800 和约 1 万张 H100。此外，他们还大量订购 H20 GPU”，但也远不及 Grok 3 的训练算力高。

因而，许多网友都将其这次发布当做 Scaling Law 技术路线的又一次验证，并且马斯克在 2024 年中启动 Grok 3 训练时称对标的是 GPT 5。

目前，Grok 3 暂未公布其参数规模。微软在近日发布的一篇医学相关论文中披露，GPT-4 有 1.76 万亿个参数，GPT-4o 和 GPT-4o-mini 的参数分别为 2000 亿和 80 亿。另据公开介绍，DeepSeek-V3 的参数规模达到 6710 亿，但会使用混合专家架构以保证仅激活选定的参数，以便准确高效地处理给定任务。

接下来从性能效果上展开讲讲 Grok 3 到底怎么样。xAI 从数学、科学、编码三方面去对比了 Grok 3 系列和当前热门前沿模型，并在多个基准测试中都击败了其他竞争对手。

据介绍，在 Arena 中（这是一项众包测试，让不同的 AI 模型相互竞争，并让用户投票选出他们喜欢的答案），Grok-3 是有史以来第一个得分突破 1400 分的模型，并在所有类别中均排名第一。

而去年发布的 Grok 2 模型在 Arena 测试中得分为 1280 分。与 Grok 2 相比，Grok 3 早期版本的性能提升了近 10%。

这样来看，在大语言模型（LLM）领域，Scaling Laws 或许依然成立。

不过，Grok 3 不仅仅是 LLM，还引入了“思维链”（Chain Of Thought）推理能力。马斯克称，Grok 3 在复杂的推理任务中表现优于其竞争对手。据介绍，xAI 的最新模型 Grok 3 在 2024 美国数学邀请考试（AIME）中取得了 93% 的骄人成绩，将其他前沿模型甩在了身后。即使是其 mini 版，也足以与其他 AI 模型的能力相媲美。

值得注意的是，大约五天前，AIME 2025 竞赛也结束了。随后，xAI 团队让两个模型（Grok 3 和 Grok 3 mini）在同一基准的同一考试中进行比拼。有趣的是，更大的 Grok 3 推理模型在这次全新的考试中表现更好。这表明，与较小的模型相比，更大的模型具有更强的泛化能力和性能。然而，与去年的考试相比，较小的模型表现更好，因为它更有效地学习了之前的考试内容。

Grok 3 能挤进全球模型 Top 5 吗？

这次，不少网友对 Grok 3 模型给出了正面评价，“Grok 3 的出现标志着人工智能发展史上的一个重要里程碑。凭借其令人印象深刻的 ELO 分数和推理能力，我们显然看到了人工智能在解决复杂问题方面的飞跃。”

AI 大佬 Andrej Karpathy 今天早些时候获得了 Grok 3 的早期访问权限，他也成为首批能够快速体验其功能的人之一。Karpathy 表示，Grok 3 好的点是“创建一个棋盘游戏网页，显示一个六边形网格，就像《卡坦岛》游戏中的那样。每个六边形网格都编号为 1..N，其中 N 是六边形瓷砖的总数。使其通用，以便可以使用滑块更改‘环’的数量。例如，在《卡坦岛》中，半径为 3 个六边形。请使用单个 HTML 页面。”

Karpathy 强调，很少有模型能够可靠地准确完成这个任务。顶级的 OpenAI 思维模型（例如 o1-pro，每月 200 美元）也能做到，但 DeepSeek-R1、Gemini 2.0 Flash Thinking 和 Claude 都无法做到。但 Grok 3 也有弱点。“它没有解决我的‘表情符号谜题’问题，在这个问题中，我给出了一个带有隐藏在 Unicode 变体选择器中的消息的笑脸，即使我以 Rust 代码的形式给出了如何解码的强烈提示。我见过的最大的进展来自 DeepSeek-R1，它曾经部分解码了消息。”

那么，Grok 3 能挤进全球顶级模型之列吗？在马斯克看来，是能的。从今天的发布会来看，他对 Grok 3 充满信心，并认为该模型能未来能击败一众先进模型登顶最强模型宝座。

但事实真的如此吗？目前，Grok 在人工智能领域仍是一个小角色。它的受欢迎程度远不及 ChatGPT 等竞争对手，截至 2024 年 11 月，ChatGPT 占据了人工智能工具市场份额的 62.5%。

不过，Grok 确实拥有一些与竞争对手不同的特点。它最大的优势是能原生集成社交媒体 X，使该聊天机器人能够访问社交媒体平台的实时信息，其独特的编程方式使其能够以叛逆和俏皮的语气回答挑衅性的提示。由于这些独特卖点，马斯克的 AI 聊天机器人在 X 用户中很受欢迎。

然而，该聊天机器人经常卷入争议，从回应政治虚假信息到因其可访问 X 数据而宣传有偏见的内容。ChatGPT 和 Gemini 等竞争对手也拥有更多参数，因此它们的响应通常更准确。

基于以上种种，有外界声音认为，堆砌了如此多的算力，即使使用合成训练数据，Grok 3 也不太可能与更大的竞争对手相提并论。

Grok 系列模型的起源与背景

Grok 系列模型是埃隆·马斯克旗下人工智能公司 xAI 的核心产品之一。xAI 成立于 2022 年，旨在开发具有更高推理能力和逻辑一致性的人工智能系统。马斯克一直对人工智能的发展持谨慎态度，多次公开表达对人工智能潜在风险的担忧。然而，他也认为，人工智能技术的进步是不可避免的，因此他希望通过 xAI 开发出更安全、更透明且对人类友好的 AI 系统。

Grok 的名字来源于科幻作家罗伯特·海因莱因的小说《异乡异客》，意为“深刻理解”或“完全掌握”。这一命名体现了马斯克对人工智能的期望：不仅要能够处理复杂的任务，还要具备对人类思维和逻辑的深刻理解。

Grok 1 于 2023 年初发布，是 xAI 推出的首款人工智能聊天机器人。作为初代模型，Grok 1 的主要目标是验证合成数据训练方法的可行性。与当时主流的 ChatGPT 等模型不同，Grok 1 并未完全依赖真实世界数据进行训练，而是采用了大量合成数据。合成数据是通过算法生成的模拟数据，能够覆盖更广泛的情景和逻辑结构。

Grok 1 的推出引起了广泛关注，它能够处理复杂的逻辑问题，并在某些特定任务上超越了当时的 ChatGPT 3.5。然而，Grok 1 也存在一些明显的局限性。例如，由于合成数据的局限性，它在处理真实世界中的细微差别和复杂性时表现不佳。此外，Grok 1 的训练成本极高，且模型规模较小，限制了其在实际应用中的推广。

2023 年年中，在 Grok 1 的基础上，xAI 推出了 Grok 2。这一代模型在多个方面进行了重大改进。依然采用了更大规模的合成数据集，同时结合了少量高质量的真实世界数据，以弥补初代模型在处理真实场景中的不足。Grok 2 还引入了更先进的训练算法，尤其是在数学推理、代码生成和复杂问题解决方面超越了当时的 ChatGPT 4。它还首次尝试了多模态能力，能够处理文本、图像和简单视频数据。

然而，在众多优秀大模型层出不穷的 2023 年，Grok 2 的问世并没有掀起太大水花。Grok 2 依然有着很多弊端，尽管其技术能力备受认可，但由于其使用权限仅限于 X 平台（原 Twitter）的高级用户，普通用户无法直接体验。这一限制导致 Grok 2 的市场覆盖率较低，未能对 ChatGPT 等竞争对手形成实质性威胁。如今 Grok 3 来了，情况会有变化吗？

我们拭目以待。