实测翻车？！刷爆高难度榜单的Grok4到底怎么样？

大家都有看 Grok4 的发布会吗？

Grok4 预热了好几天，没想到马斯克还贴心地选择了国内时间发布，再也不用熬夜看发布会了。

发布会一开始，马斯克就说“这是世界上最聪明的 AI。”，并且声称其进化速度“远超任何人类”。简直把观众的期待值拉满。

话说的漂亮，但实际使用效果却是被广大网友纷纷吐槽“翻车”、“拉胯”……

比使用效果还离谱的，是 Grok4 的定价。

Grok4 月费为 30 美刀，而 Grok4 Heavy 版本月费更是高达 300 美刀，并且不给用户免费试用额度，这就很有割韭菜的嫌疑。

网友也是问出了我的心声。

我们先来看发布会的内容，再一起感受一下网友的实测效果，看看万众瞩目的 Grok4 到底怎么样。

一、发布会

XAI 这次发布了两个模型 —— Grok4 和 Grok4 Heavy 。两者都是推理模型，前者是单代理版本，Grok-4 Heavy 则是多代理版本，支持四个代理同时工作。

分数数据

首先是备受关注的 HLE（Humanity's Last Exam） 测试，

Grok4 在 HLE 测试中取得了非常突出的分数，其 Heavy 版本更是为大模型推理设立了新标准，拿到了 44.4% 的分数，直接碾压了 o3 和 Gemini Pro 。

此外，在 HLE（仅文本）测试中，在使用测试时计算、工具和多个并行代理的情况下，Grok4 Heavy 更是把得分推到了一个惊人的高度 —— 50.7% 。

凭借强大的推理能力，Grok4 能够轻松应对 SAT 和 GRE 等高难度考试，就算是遇到未见过的题目，也能取得近乎完美的成绩。

关于 Grok4 在学术上面的能力，马斯克直言：“关于学术问题，Grok 4 在所有科目上都比 PHD 级别更好。没有例外。”

并且自信预计：“发现新技术可能在今年，新的物理学几乎肯定在两年内。”

除了上面提到的出色成绩之外，Grok4 还在 GPQA Diamond 测试上取得了最高分 87% ，打破了此前由 Gemini Pro 领先的 84% 得分。

在 ARC AGI 上也达到新的 SOTA，是 Claude Opus 4 的两倍。

从下图中可以看到，Grok4 还在AIME25（美国数学竞赛邀请赛）、LCB（Jan-May）（在线算法竞赛）、HMMT25（高中生团队数学竞赛）和 USAMO25（美国顶级高中生数学竞赛）中均设立了最新的 SOTA 分数。

并且在 Artificial Analysis 的全套基准测试中也是凭借着 73 的得分超过 o3-pro 位居第一。

Grok4 还在 ARC-AGI-2 上取得新的 SOTA，达到了 15.9% 。

这几乎是之前的 SOTA 得分的两倍，并超越了当前 Kaggle 竞赛的最高分。

还有一点值得关注的是随着训练和计算资源的扩展，Grok4 在性能上的强势增长，主要专注于推理和强化学习。

Grok4 用于 RL 的计算资源几乎与预训练时使用的相同。Grok 4 使用的算力远超其他任何模型的 10× 以上，是 Grok-2 的 100 倍，是 Grok-3 的 10 倍，一共使用了 10 万块 H100 GPU。

实际效果展示

除了光拿出数据，发布会上也展示了一些 Grok4 使用的实际例子。

例如：“使用HTML生成一个精美的、30秒长的柔和网格动画，用于可视化两个碰撞黑洞所产生的引力波，并包含“铃振”（ringdown）阶段。最大化物理准确性，并对（黑洞的）运动轨迹进行合理性检查。”，看起来效果还不错。

还有更多 demo 展示，例如现场解数学题。

或者根据 X 上的帖子提供一份 HLE 分数公布变更的时间线等，这里就不一一列举了，指路完整版视频链接，感兴趣的小伙伴可以看看：

https://x.com/i/events/1942716886258528256

发布会还展示了 Danny Limanseta 仅在 4 小时内使用 Grok4 创建的一款 FPS 射击游戏。

并且表示 Grok 不仅能够制作游戏，还能实际游玩并理解什么样的游戏是优秀的，以及如何让游戏变得更好。

现场还展示了 Grok4 的语音模式，并且本场直播开场语正是使用 Grok4 语音模式中的一个声音说的。

Grok4 语音模式的亮点首先是更加流畅和快速，延迟被减半。可供选择的声音个数也升至 5 个。

还有语音出色的自然感，当场让 Eve （Grok4 其中一个语音）耳语来让用户平静下来，感觉还不错，有点哄睡 ASMR 的感觉了。并且不会打断对话，更加像人类。

现场还整活让它唱了一段零糖可乐的歌剧，不仅是马斯克，屏幕前的我也听乐了。

不得不说， Grok4 发布会上的表现还不错，各项分数也很亮眼，但对于用户来说，实际上手的体验感受才是最重要的。

秉持着坚决不被割韭菜的原则，我们也找来了网友们第一时间的实测，看看它到底值不值这个价。

先上结论：除非是想体验效果，否则不推荐订阅。

二、实测效果

首先是考验大模型前端 UI 设计的天气卡片问题，使用如下 prompt：

你是一位就职于苹果公司的顶级前端工程师，请创建一个包含CSS和JavaScript的HTML文件，用于生成动画天气卡片。卡片需要以不同动画效果直观展示以下天气状况：风力（如：飘动的云朵、摇曳的树木或风线）降雨（如：下落的雨滴、形成的水注）晴天（如：闪耀的光线、明亮的背景）下雪（如：飘落的雪花、积雪效果）。要求有常见的多种天气以外还要有冰雹、大雾、台风这三种。所有天气卡片需要并排显示，背景采用深色设计。所有HTML、CSS和JavaScript代码都需包含在这个单一文件中。JavaScript部分需包含切换不同天气状态的功能（例如通过函数或按钮组），以演示每种天气的动画效果。将前端显示效果优化得更精致流畅，打造出价值200000元/月的精品天气应用既视感。

Grok4 的输出：

你没看错，就是什么都没有。

我们再来看看使用上面相同 prompt，其他家输出的结果。

Gemini 2.5 pro：

Claude opus 4：

o3 pro：

我们也找来了其他使用 Grok4 成功渲染出天气卡片的结果，但是效果都有些抽象。

比如这样的。

还有这样的。

谁来了不说一句这方面还得是 Claude 。

除了抽象的天气卡片，更抽象的还有 Grok4 的思考过程。

深度思考下全是 thinking，没有具体的思考内容，还不给设置 reasoning_effort 。

这不是个例，看得出来 Grok4 思考的很用力了。

不仅如此，先不谈编程、数学推理那些“高大上”的能力，就连日常的对话问答、文章写作方面，Grok4 也只是表现平平。

再来看看同一个问题 Gemini 2.5 pro 的结果。

还有马斯克之前称 Grok4 是有幽默感的大模型，网友也是让它写了几个原创笑话。

笑点因人而异，好不好笑大家就自行体会了。

三、最后一句

整体看下来，Grok4 的表现并没有达到大家预期的。虽然 Grok4 跑分第一名，但是用户实际上手体验却差点意思，价格还贵，没有特殊需求的用户很难回本。

或许它的推理能力真的强到快要创造新的物理学，可对多数普通用户来说，使用更频繁的那些基础能力过硬才是首要条件。

这也让人怀念起当初在性能上真有代差，而且还便宜的 R1。

R2 到底什么时候才端上来啊喂？

文章来自于微信公众号“JackCui”。