距离上代才5个月，Grok 4竟用20万张GPU卡生生“堆”出来！

距离 Grok 3 发布仅5个月，Grok 4 正式面世。这一超短迭代周期离不开背后庞大的计算资源和技术积累。据官方披露，Grok 4 的训练总算力消耗达到 20 万张 GPU 卡·天量级，训练规模与先前主流大模型相比堪称史无前例。

这说明只要屯卡屯得足够多，什么大模型都能够快速训练出来。简直就是一个暴力美学的代名词。

一、发布了什么模型？

在发布会上，官方同步推出两款模型：

• Grok 4：基于单代理推理架构，依靠精细调优的Transformer网络实现高效推理。其在多个裸机基准测试中均超越前代版本。
• Grok 4 Heavy：进一步升级为四个并行 Agent 协同求解的混合架构，每个 Agent 可独立运行不同子任务，再通过投票机制凝聚多方结果，最终输出最优答案。针对复杂推理场景与多人协作任务，Heavy 版本具备更强的容错与稳定性。

由于资源和成本考量，普通用户暂时无法直接调用完整模型。如需体验，需先充值对应额度，官方将按使用量实时计费，并在后期根据反馈逐步开放免费试用或限时体验活动。

二、核心能力升级细节

综合基准测试结果显著提升：

• GPQA：Grok 4（no tool）得分 87.5%，位列所有测试模型中第二，仅次于自身 Heavy 版本的 88.9%。这一成绩在数学与逻辑推理题库中展现了极佳的稳定性和准确率。
• AIME25：Grok 4 单机版本取得满分 100 分，全面压制 o3 和 Gemini 系列等竞品，尤其在题目类别切换及上下文联动解题方面表现尤为出色。
• USAMO25：对于美国数学奥林匹克题库，Grok 4（无工具）得分 21.7%，相比于普通问答型数据仍有提升空间；Grok 4 Heavy 借助多代理协同与分工能力，成绩飙升至 61.9%。

在权威评测机构 Artificial Analysis 的综合打分中，Grok 4 从上一代 67 分提升至 73 分，超越 o3 与 Gemini 2.5，尤其在语言理解、代码生成与多轮对话保持一致性方面获得高分。

Grok 4的API调用价格来说，算是比较昂贵的，每百万token输入$3，输出为$15。从下图可以看到，它的价格排到了前3。这说明它本身模型确实很大，导致价格都降低不下来。

如果预算敏感或者需要大批量离线：目前DeepSeek系列模型还是比较划算的存在（这里再次吹一波国产大模型）

总的来说，Grok 4 通过“多代理 + 工具链 + 超长上下文”组合，显著拔高了推理与竞赛类基准的天花板，但其高昂价格和内容安全缺陷将成为商业化推广的主要阻力。如果后续能够推出免费使用的Grok 4版本，同时把API价格打下来，或许有机会在企业与开发者生态中占据一席之地。

三、测试效果

任务1：小球碰撞实验

有网友测试了一下 Grok 4 的小球滚动的代码实验。小球从多层六边形开口处落下，旋转过程中错落有致；

在返回中心时还会“穿墙”，但是从作者解释上来看，他说这是这是刻意设计的效果，既符合想象又颇具美感。

任务2：文字与表情塗鸦：从随机跑动到 Hello World

除了小球，网友们还让 Grok4 Heavy 制作了更加复杂的动画：一群小人在随机移动中，先后排列出“Hello World”“I am grok”的字样，最后又齐刷刷蹦出一个大大的笑脸——其他模型在这类动态排版上，无一能及。

任务 3：单层六边形小球测试（物理规律理解）

让模型根据给定的 SVG 图形，预测小球在单层六边形中滚落、反弹、回到中心的轨迹是否合理。

Grok4 一次性生成了符合预期的运动描述和示例代码，o3 的预测效果在下面黑色中，基本预测错了

任务 4：多层推理的法律财务题

假设 A 公司收购 B 公司，B 公司持有 C 公司的债务，若 C 违约，要求模型分析各方法律责任与财务影响。主要测试模型在跨领域（法律＋财务）问题上的层级推理与条理化表达能力。

从结果上来看：Grok4 以表格＋分步总结的形式罗列了各方影响；o3 回答与法律关联度低，缺乏系统性。

任务 5：代码翻译（Python → Go，附西班牙语注释）

将一个用于解决迷宫问题的 Python 递归函数翻译成 Go 语言，并逐行用西班牙语注释。主要用来验证模型的多语言编程能力及对算法逻辑的理解。

Grok4 正确生成可运行的 Go 代码并添加了详尽注释；o3 则要求用户先提供代码示例，无法主动完成翻译。

任务 6：向博士生与十岁儿童分别解释 Transformer

别让模型用面向机器学习博士生和面向 10 岁小朋友的方式，讲解 Transformer 的核心原理。用来测试模型根据受众调整技术深度和表达风格的能力。

Grok4 针对两种受众提供了恰当的层次化解释；o3 在简化科普上出现用词不当或过于笼统的问题。

四、其他网友测试

Epic 创始人下场称：Grok4 就是 AGI

Epic 创始人 Tim Sweeney 亲自上场，把一篇他自认为模型从未见过的论文“喂”给 Grok4，要它对文中新问题给出见解。结果模型不仅条理清晰，还提出了深刻洞见，让 Tim 直呼：“这就是 AGI！”马斯克也在社交平台转发并赞同这一评价。

欧拉恒等式的可视化展示

一位网络开发者 Dan 问 Grok4 最喜欢哪个数学公式，模型答出“e^iπ + 1 = 0”。接着它在四轮对话中，用代码和网页展示了公式的可视化效果，让 Dan——一位学了五个学期高数却一直没弄懂欧拉恒等式的资深数学 党——终于通过可视化的方式理解了这个数学公式。

SVG 绘图大比拼：测试视觉与空间推理

在 Reddit 上很多网友对 Grok4 和其他模型进行对比，让他们做 SVG 绘图测试：

比如让测试每个模型对美国地图进行重绘，Gemini 2.5 Pro中最接近真实地图，但少数州界线略有偏

Grok4 Heavy的整体轮廓准确，没有出现州块重叠，但细节上稍显简化；o3 & Claude 4则多次出现相邻州块在代码中重叠或位置错位的问题。

在漫画场景再现过程中，要求模型将一幅简单的漫画场景（人物、对话气泡、背景元素）用 SVG 代码还原出来。

• Grok4 Heavy：能正确还原大部分人物轮廓和对话框位置，但背景细节略有缺失；
• o3：线条扭曲严重，对话框往往缺失或文本位置错误；
• Gemini & Claude 4：在色块与线条连接处出现断裂或偏移，各有不同程度的失误。

进行专辑封面原创设计中，让模型自主设计一款专辑封面，用 SVG 代码表达构图、色块和文字排版。

• Grok4 Heavy：设计风格简洁，结构合理，所有元素在渲染时都能正确显示；
• Gemini 2.5 Pro & Claude 4：创意较抽象，但部分元素坐标或大小偏离预期；
• o3：封面布局松散，元素重叠，整体视觉效果一般。

五、写在最后

Grok 4 的发布，标志着多代理架构与多模态工具链结合的人工智能系统，正在向通用人工智能（AGI）稳步迈进。在数学推理、法律逻辑、多语种编程、跨领域知识整合、空间想象与绘图表达等任务中，Grok 4 Heavy 展现出了高度一致性与可解释性，逐步突破以往大模型“会说不会做”“回答浮于表面”的桎梏。

但是目前来看，Grok 4 系列模型还是存在不足的地方。主要是调用成本过高，限制了中小开发者和个人用户的广泛接入。

如果 Grok 系列能够在架构上持续优化计算效率，在推理成本上能够再降低一下，在生态策略上向开发者社区开放更多接口与能力模块，可能Grok 4 能够被更多人去使用

而这，也许正是马斯克所憧憬的——“一个能与人类并肩工作的智能伙伴”，而非仅仅是一个对话机器人。