20万张GPU！号称“地球上最聪明的AI”Grok-3来了，斩获多个Top1，网友：算力消耗是DeepSeek V3的263倍-CSDN博客

本文链接：https://blog.csdn.net/2401_85373898/article/details/145792368

整理 | 屠敏

北京时间 2 月 18 日中午，埃隆·马斯克旗下的人工智能公司 xAI 重磅发布了 Grok 3 系列模型，宣称其在数学、科学和编码基准测试中，击败了 Google Gemini、DeepSeek V3、Claude 以及 OpenAI 的 GPT-4o。

更为值得关注的是，Grok 3 的训练并非如此前传闻的在“10 万张 GPU 上进行”，而是使用了“20 万张 GPU”。对此，有网友指出其算力消耗是 DeepSeek V3 的 263 倍。正因此，“又壕又横”的马斯克将其称为“地球上最聪明的 AI”。

0****1

Grok 3 基准测试曝光

根据 xAI 工程师的介绍，Grok 3 其实是一个模型家族——而不仅仅是一个模型。Grok 3 的轻量级版本——Grok 3 mini——在牺牲一定准确度的情况下，能够更快地响应问题。

目前，并不是所有模型都已经上线（其中一些仍处于测试阶段），但会从今天开始陆续推出。此外，原定今天要发布的语音模式并未出现，马斯克随后也在 X 上解释称，“语言模式仍然有点不完善，所以大概会在一周左右推出，但它很棒。”

根据官方公开的测试结果，Grok 3 在包括 AIME（评估模型在一系列数学问题上的表现）和 GPQA（评估模型在博士级别的物理学、生物学和化学问题上的表现）等基准测试中，远超 GPT-4o、Gemini-2 Pro、DeepSeek V3、Claude 3.5 Sonnet 等大模型。

在大模型竞技场 Chatbot Arena（LMSYS）测试中，xAI 工程师表示，早期版本的 Grok-3 获得了第一的成绩，达到了 1402 分，超越了 Gemini 2.0 Flash Thinking 实验版本、ChatGPT-4o 最新版本以及最近大火的 DeepSeek R1 等等。

要知道在 Chatbot Arena 中，用户或评审可以通过对比不同的模型响应，并进行投票，以评定哪个模型提供了最佳的答案。平台通过这种“人类评分”的方式帮助研究人员和开发者了解各大聊天机器人模型的优劣，推动模型的持续改进。时下 Grok 3 是在过往业界已发布的大模型中首个突破 1400 分、获得多个第一的大模型。

美国著名 TMT 投资人 Gavin Baker 评价道，「xAI 成立于 DeepMind 之后的 13 年、OpenAI 之后的 8 年，现在已领先于两者。它被誉为 AI 实验室中的“SR-71 黑鸟”（象征其突破性、超前性和强大的技术能力）。」

0****2

推理大模型赛道再添新成员

——Grok 3

与此同时，Grok 3 也支持推理能力了。

xAI 工程师介绍道，“大约一个月前，Grok 3 的预训练完成，从那时起，我们一直在努力将推理能力整合到当前的 Grok 3 模型中。不过，这仍处于早期阶段，模型仍在继续训练。今天展示的只是 Grok 3 推理模型的一部分。同时，我们还在训练一个 mini 版本的推理模型。”

今天，xAI 带来的推理模型一个是 Grok 3 Reasoning Beta，另一个是 Grok 3 mini Reasoning，其类似于 OpenAI 的 o3-mini 和 DeepSeek 的 R1 这样的“推理”模型，都能够仔细“推理”问题。推理模型在给出结果之前会彻底自我核实，这帮助它们避免了通常会让其他模型出错的陷阱。

随后，官方也展示了 Grok-3 推理基准测试结果。

xAI 声称，在使用更多测试时间计算时（图中浅色延展部分），Grok-3 Reasoning 在多个流行的基准测试中超过了 o3-mini 的最佳版本——o3-mini-high，其中包括一个名为 AIME 2025 的新数学基准测试。

推理模型可以通过 Grok 应用程序访问。界面显示如下，用户可以点击 Grok 3 的“Think”模式来体验，或者对于更复杂的问题，使用“Big Brain”模式，后者这种模式依赖额外的计算资源进行推理。

xAI 描述这些推理模型最适合处理数学、科学和编程相关的问题。

除此之外，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代理的功能的早期版本。它可以扫描互联网内容和 X（原 Twitter），分析信息并针对问题提供摘要。显然可以看出，它对标的是此前 OpenAI 推出的 Deep Research 功能。

马斯克还表示，在 Grok 应用程序中，某些推理模型的“思维”被隐藏，以防止“蒸馏”(一种 AI 模型开发者用来从另一个模型中提取知识的方法)。

0****3

20 万张 GPU

训练出来的 Grok 3

回顾过往，2023 年 7 月，马斯克集结 Deepmind、微软、特斯拉以及学术界的多位大佬成立了人工智能初创公司 xAI。仅仅半年之后，xAI 就带来其研发成果——Grok-1 大模型，还采用了开源策略，迅速吸引了大量关注。截至目前，Grok-1 在 GitHub 上已经获得了近 50k 个 Star，Fork 数达到 8.3k，成功迎接了当时 OpenAI 和 Google 等闭源大模型带来的竞争压力。

然而，在百模大战中，走别人走过的路、打造千篇一律的模型显然无法脱颖而出。在此次 Grok 3 发布会上，马斯克再次重申了自己对大模型的构想，并解释了为何将其命名为“Grok”。

“实际上，我们应该解释一下为什么我们叫它 ‘Grok’。这个词来自罗伯特·海因莱因的小说《异乡异客》。它由一个在火星长大的角色使用，意思是完全并深刻地理解某件事。‘Grok’ 传达的是深刻的理解，而同理心是其中一个重要部分。”

总的来说，马斯克希望 Grok 模型愿意回答其他 AI 系统不敢回答的争议性问题。正因此，马斯克此次也表示，“Grok 3 是一种最大程度地寻求真相的人工智能，即使这种真相有时与政治正确相悖。”

在能力上，**马斯克称新版的 Grok 3 能力比 Grok 2 高出一个数量级。**对此，xAI 的工程师进行了现场演示。

一、「使用 pygame，制作一个结合了俄罗斯方块和宝石方块的游戏。代码可以很长。将其输出为一个文件。让它变得非常棒。」

得到如下的结果：

二、「生成从地球发射、着陆火星然后在下一个发射窗口返回地球的 3D 动图的代码。」

‍

可以看出，Grok 3 的表现确实不错。那么，Grok 3 的能力为什么会这么强？

事实上，和其他公司有所不同，xAI 背后有马斯克这位世界首富的支持。据 xAI 工程师在直播中介绍：

**“去年四月，埃隆决定，xAI 成功并打造最好的 AI 的唯一途径，就是建立我们自己的数据中心。**我们没有太多时间，因为我们想尽快推出 Grok 3。所以，我们意识到必须在大约四个月内完成数据中心的建设。我们花了 122 天让首批 10 万个 GPU 启动并运行，这是一项巨大的努力。我们相信，这是世界上最大规模的全连接 H100 集群。但我们并没有就此止步。

我们很快意识到，为了构建我们设想中的 AI，我们需要将集群规模翻倍。因此，我们启动了另一个阶段——**这是我们第一次公开谈论这个——在短短 92 天内将容量翻倍。**我们利用这些计算能力，在这个过程中持续改进产品。”

简单来说，之前媒体多次报道 xAI 使用了 10 万个 GPU 构建了超级计算机 Colossus，但那只是初步阶段。后来，xAI 构建了一个包含约 20 万个 GPU 的数据中心，而 Grok 3 的训练正是在此基础设施上进行的。

不难想象马斯克有多么豪横、Grok 3 的能力有多强了，有网友在 Grok 3 推出后发了一张图：

0****4

Grok 2 将在不久后开源

当前，X 的 Premium+ 订阅用户将率先体验 Grok 3，其他功能则通过 xAI 推出的新计划 SuperGrok 提供。SuperGrok 定价为每月 30 美元或每年 300 美元，付费后可以解锁更多的推理和 DeepSearch 查询，并提供无限制的图像生成功能。

最后，在与网友的 QA 环节，马斯克表示，未来——大约一周后——Grok 将推出“语音模式”，为 Grok 提供合成语音。几周后，Grok 3 模型将与 DeepSearch 功能一起进入 xAI 的企业 API。

再几个月后，xAI 将开源 Grok 2。“我们的总体方针是，当下一个版本完全发布时，我们将开源最后一个版本 [的 Grok]，”马斯克说。“当 Grok 3 成熟并稳定下来，这可能会在几个月内实现，然后我们将开源 Grok 2。”

0****5

业界评价不一

整体而言，Grok 3 在各项基准上的测试结果都拿下了不错的成绩，但实测结果如何？

来自知名学者、纽约大学教授 Gary Marcus 有些质疑道，「马斯克和他公司里的 3 位员工现场演示了 Grok 3，对于最近看过这些系统演示的任何人来说，这次演示看起来就像是很多其他演示的公式化模仿：一些比之前稍微好一点的基准测试结果，更多的训练（显然是 Grok 2 所用计算量的 15 倍），演示了一个 Tetris 变体的自动编程，虽然似乎没有完全成功，还有一个新产品，名为“Deep Search”，听起来和“Deep Research”很相似。为了增加一些分量，他们还在测试时计算的类别中加入了 o1、o3、r1 等等。我没有注意到任何真正创新的东西。」

他进一步分享他的看法：

Sam Altman 现在可以松口气了。
没有颠覆性进展；也没有重大飞跃。幻觉问题依然没有奇迹般解决，等等。
话虽如此，OpenAI 的护城河正在不断缩小，因此价格战将继续，除了英伟达（Nvidia）外，其他公司很难获得利润。
纯粹的预训练扩展显然未能带来 AGI。

不过，一些在获得 Grok 3 早期使用权的 AI 专家们却并不这么认为。在 Grok 3 发布后，AI 大牛 Andrej Karpathy 也在 X 上从多个维度分享了自己的体验：

思维能力

✅ 首先，Grok 3 显然具备了接近最前沿的思维模型（“Think”按钮），并且在我提出的《卡坦岛》问题上表现出色：

“创建一个网页，展示一个六边形网格，像《卡坦岛》游戏中的板块那样。每个六边形都编号为 1…N，其中 N 是六边形的总数量。使其具有通用性，可以通过滑动条更改‘环数’。例如在卡坦岛中，半径为 3 个六边形。请用单一的 HTML 页面。”

很少有模型能稳定地解决这个问题。OpenAI 顶级的思维模型（例如 o1-pro，月费 200 美元）也能做到，但 DeepSeek-R1、Gemini 2.0 Flash Thinking 和 Claude 都做不到。

❌ 它没有解答我提出的“表情符号谜题”问题，其中包含通过 Unicode 变体选择器隐藏的消息，即使我提供了强烈的提示，并附带了 Rust 代码。DeepSeek-R1 曾部分解码过这个消息。

❓ 它解决了我给它的一些井字棋问题，思路清晰（许多最前沿模型通常会失败）。于是我提高了难度，要求它生成 3 个“棘手”的井字棋局面，它失败了（生成了无意义的棋盘/文本），o1-pro 也失败了。

✅ 我上传了 GPT-2 的论文，提出了一些简单的查询，结果都很不错。然后，我要求它估算训练 GPT-2 所需的训练 FLOP 数量，没有搜索功能。这是一个难题，因为 tokens 数量并未明确列出，所以必须部分估算并进行计算，涉及查找、知识和数学等多个领域。一个例子是：40GB 文本 ≈ 40B 字符 ≈ 40B 字节（假设是 ASCII）≈ 10B tokens（假设每个 token 约 4 字节），以 10 个周期训练 ≈ 100B token 训练运行，参数为 15 亿，且每个参数/每个 token 需要 2+4=6 FLOP，那么总 FLOP 为：100e9 × 1.5e9 × 6 ≈ 1e21 FLOPs。Grok 3 和 4o 都没能解决这个任务，但开启思考模式的 Grok 3 能很好地解答，而 o1-pro（GPT 思维模型）则失败。

我喜欢的是，**这个模型在被要求时会尝试解决黎曼假设，类似于 DeepSeek-R1，但不像许多其他模型（如 o1-pro、Claude、Gemini 2.0 Flash Thinking）那样立刻放弃，只是说这是一个伟大的未解之谜。**我最终不得不停止它的尝试，因为我有点心疼它，但它展现了勇气，谁知道，也许有一天……

总的来说，我的印象是，Grok 3 的能力大约在 o1-pro 的水平，领先于 DeepSeek-R1，当然，我们还需要实际的、真实的评估来进一步确认。

DeepSearch

这个功能非常有趣，似乎结合了 OpenAI 和 Perplexity 所称的“深度研究”与思维能力。不同之处在于，它被命名为“Deep Search”（唉）。它能为你提供高质量的答案，适用于你可能在互联网文章中找到答案的各种研究性/查询性问题。例如，我尝试了几个问题，以下是我从最近的 Perplexity 搜索历史中窃取的内容以及其回答结果：

✅ “即将发布的 Apple 发布会有什么消息？”

✅ “为什么 Palantir 的股票最近上涨？”

✅ “《白莲花 3》在哪里拍摄？是不是和第一、第二季是同一个团队？”

✅ “Bryan Johnson 用的是什么牙膏？”

❌ “《单身即地狱》第四季的演员们现在怎么样了？”

❌ “Simon Willison 提到他用的语音转文字程序是什么？”

❌ 我在这里确实发现了一些不完善的地方。例如，模型似乎默认不喜欢引用 X 作为来源，尽管你可以明确要求它这么做。有几次我发现它虚构了不存在的 URL。有几次它说了一些我认为不准确的事实，并且没有提供出处（可能是因为没有相关引用）。例如，它告诉我“Kim Jeong-su 仍然在和 Kim Min-seol 约会”，这显然是错误的吧？当我要求它生成关于主要 LLM 实验室及其总资金和员工数量的报告时，它列出了 12 个主要实验室，但没有提到它自己（xAI）。

我对 DeepSearch 的印象是，它大约在 Perplexity DeepResearch 提供的水平（这已经很棒了！），但还没有达到 OpenAI 最近发布的“深度研究”水平，后者依然显得更加彻底和可靠（虽然也远非完美，例如当我尝试使用它时，它也错误地排除了 xAI 作为“主要 LLM 实验室”）。

随机的 LLM 挑战

我尝试了一些有趣的 / 随机的 LLM 挑战查询。这些查询对于人类来说很简单，但对 LLMs 来说却很有挑战性，我很好奇 Grok 3 能在这些方面取得多大进展。

✅ Grok 3 知道“草莓”中有 3 个“r”，但它还告诉我，“LOLLAPALOOZA”中只有 3 个“L”。启用思考模式后解决了这个问题。

✅ Grok 3 告诉我 9.11 > 9.9（这是其他 LLMs 常见的错误），但启用思考模式后解决了。

✅ 一些简单的谜题即使没有启用思考模式也能解决得不错，比如：“Sally（一个女孩）有 3 个兄弟。每个兄弟有 2 个姐妹。Sally 有多少个姐妹？” GPT4o 说 2（不正确）。

❌ 可惜模型的幽默感似乎并没有明显提高。这是 LLMs 的常见问题，尤其是在幽默能力和模式崩溃方面。比如，90% 的 1,008 次请求让 ChatGPT 讲笑话的输出都是重复的 25 个笑话。即使在远离简单双关语的细节提示下（例如，给我一个单口相声），它生成的幽默似乎也不算是最前沿的幽默。生成的笑话是：“为什么鸡加入了乐队？因为它有鼓槌，想成为一名咯咯明星!”。在快速测试中，思考模式没有起到太大帮助，可能还让情况变得稍微糟糕了一点。

❌ 模型似乎仍然对“复杂伦理问题”过于敏感，例如它生成了一篇 1 页的文章，基本上拒绝回答是否有伦理理由在救 100 万人时错误性别称呼某人。

❌ Simon Willison 的“生成一个骑自行车的鹈鹕的 SVG”。这考验了 LLM 在二维网格上布置多个元素的能力，这是非常困难的，因为 LLM 无法像人类一样“看”，它是在黑暗中用文本进行布置。尽管这些鹈鹕还不错，但仍有点问题（请参见图像和对比）。Claude 的表现最好，但我怀疑他们可能在训练时专门针对 SVG 能力进行了优化。

总结：根据今天早上大约 2 小时的快速评估，**Grok 3 + 思维模式的表现大致处于 OpenAI 最强模型（o1-pro，月费 200 美元）的前沿水平，略胜于 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。**这在考虑到团队从一年前才开始着手的情况下，表现非常出色，这个时间表在到达前沿领域方面是前所未有的。请记住这些模型是随机的，每次可能会给出不同的答案，而且现在还处于非常早期的阶段，因此我们需要在接下来几天/几周内进行更多的评估。不过，初步的 LM 竞赛结果看起来非常鼓舞人心。现在，对 xAI 团队表示祝贺，他们显然拥有巨大的动力和势头，我很高兴将 Grok 3 添加到我的“LLM 委员会”中，并期待它今后的表现。”