Grok3性能评估：马斯克最新AI模型的真实表现与挑战

5.8K 0

自马斯克与xAI团队在2月18日发布的Grok3问世以来，这款被誉为“天下最聪明”的AI模型引发了广泛关注。然而，实际测试结果却显示，Grok3在某些方面并未达到预期的高度。尤其是在处理一些基础问题时，Grok3的表现让人质疑其是否真如宣传般强大。

性能测试中的尴尬

在发布后的几天里，笔者对Grok3进行了多项测试。其中，一个经典问题是：“9.11与9.9哪个大？”令人遗憾的是，Grok3未能正确解析该问题。类似地，在处理基础物理和数学问题时，如“比萨斜塔上两个球哪个先落地”，Grok3同样未能给出正确答案。这一系列问题使得Grok3被调侃为“天才不愿意回答简单问题”。此外，在直播演示中，Grok3对Path of Exile 2职业与升华效果的分析也出现了大量错误，进一步影响了其可信度。

排行榜上的“遥遥领先”

Grok3在官方PPT中声称在Chatbot Arena中实现了“遥遥领先”。然而，仔细观察可以发现，这份榜单仅展示了1400-1300分段的成绩，使得原本微小的优势显得格外突出。实际上，Grok3的成绩仅比DeepSeek R1和GPT4.0高出1%-2%，这与用户的实际体验相符——许多人认为Grok3“并无明显差别”。更重要的是，xAI曾在Grok2时代存在过“刷分”行为，这使得Grok3的高分受到了更多质疑。

高昂代价下的性能瓶颈

为了训练Grok3，马斯克宣称使用了超过20万张H100显卡，总训练时间达到了惊人的两亿小时。尽管如此，与使用2000张H800训练两个月得出的DeepSeek V3相比，Grok3的实际训练算力消耗是V3的263倍，但两者在性能上的差距却并不显著。这表明，随着模型规模的扩大，性能提升的边际效应正在显现。优质训练数据的短缺成为制约模型发展的关键因素之一。

未来方向：预训练模型的终结？

面对当前困境，OpenAI前首席科学家Ilya Sutskever指出，“我们所熟悉的预训练将会结束”。他认为，互联网中由人类生成的内容有限，就像化石燃料一样终将枯竭。未来，AI系统可能需要具备“真正的自主性”和“类似人脑”的推理能力，不再依赖于大量数据的学习。这种转变或许能够帮助AI真正实现智能化，而不仅仅是基于已有数据的内容匹配。