大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



马斯克旗下xAI发布Grok 3聊天机器人 数学推理性能超GPT4o

马斯克旗下人工智能公司xAI发布Grok 3聊天机器人。据xAI工程师介绍，Grok 3所涉及的训练是Grok 2的10倍。马斯克称，在数学推理、科学逻辑推理和代码写作等能力表现方面，Grok-3在多项benchmark测试中均取得了比DeepSeek-v3、GPT-4o、Gemini-2 pro更优的效果。

xAI推出名为Deepsearch的Grok-3智能搜索引擎

xAI推出名为Deepsearch的Grok-3智能搜索引擎。据xAI工程师介绍，Deepsearch是xAI的第一代广泛代理工具，它不仅帮助工程师、研究人员和科学家编写代码，而且实际上能帮助每个人回答日常遇到的问题。

舍掉工作看完全程，多图预警

关键因素：背景是我们的信念是了解宇宙，其次这张图片上出现两个华人。

接下来就是，各种跑分屠榜操作。

在Benchmarks测试中Grok全面领先，GPT一直垫底……前几天，马斯克和奥特曼吵架扬言要收购OpenAI ，然后被奥特曼怼回去，是不是报复也不好说。

我也看不懂，没关系，能看懂数字就好。

xAI同时也在做推理模型和test time scale，能力同样全面屠榜。注意到Grok 3 mini部分能力甚至反超Grok 3。

中间马斯克披露实际上Grok 2训练受制于稳定性、效率，只用到了6500个有效的H100。这一次10万卡集群，有效卡在65K-80K左右。现在他开始用数据来推翻市场一个结论：训练无效论。

跑分全面领先、用户盲测1400分全球**。而且是断层领先。这是不是表明，重点研究方向从算力从芯片——算法——芯片，又回归到芯片？

当然，马斯克天生的营销大师，真正情况如何还是要上手用一下，毕竟很多时候，跑分没输过销量没赢过的例子见怪不怪了。

最后，grok3还是支持deep search功能，xAI 将其描述为一种类似智能体能力的早期版本，在数学、科学、编程基准测试中的表现超越了 OpenAI 的 GPT-4o、Claude 3.5、Deepseek V3 和 Gemini 2 Pro。

但是，对订阅用户开放，也就说，用全部功能，你得充会员。同时呢，还专门推出了SuperGrok的订阅套餐。

个人总结下来，就两点：1.我跑分领先市场所有模型，是因为大力出奇迹。芯片还是重要的。2.欢迎付费来用吧。

对了结尾还有个彩蛋，GROK3的语音模式声音，好像是个男人的声音。这也是个梗。

媒体风向变化太快，让人目不暇接。早上还在夸Deepseek成本低，性价比高，预训练Scaling Law死了，不需要太多机器和GPU卡，性价比优先，英伟达休矣；中午Grok 3一出来，说是用了10万张英伟达H100卡，效果力压OpenAI o3 mini和Deepseek R1，就转向说Scaling law还成立，还需要大量的卡，英伟达股价有救了，还是要大力出奇迹……

这两个观点明显对立，有一真必有一假，那事实的真相到底是啥呢？我们来推一推。

-预训练阶段的Scaling Law成立吗？当然是成立的，所谓“Scaling Law撞墙”，大家普遍遇到的问题是数据不够了，没有大量新数据，导致预训练阶段的Scaling Law走势趋缓，注意是趋缓但不是停顿，预训练阶段的Scaling Law并没到天花板。按照Chinchilla Scaling Law推断，即使没有新数据，也并不意味着模型效果提不上去了，很简单，只要增加基座模型尺寸，效果仍然会提高，只是从付出的算力和获得的效果提升来说很不合算，性价比过低，这是为何大家转到RL Scaling Law和Test Time Scaling Law的原因，是因为付出同样的算力，在后面两个阶段大模型智商提升更明显，就是性价比高。

-目前可以提高模型效果的Scaling方法，按照性价比由高到低排序的话: Test time Scaling Law> RL Scaling Law>预训练阶段Scaling Law(数据不够了，只能推大模型尺寸)，有性价比高的Scaling，当然优先做这种，性价比低的Scaling，只有在没有性价比更高的情况下才会采用。这跟购物一个道理，有性价比高的当然不会去买性价比低的商品。

-如果哪天RL Scaling Law和Test Time Scaling Law到了天花板，又没有找到新的性价比更合算的Scaling law，也不是说模型效果就提不上去了，大家仍然可以回归预训练阶段的Scaling Law，没有新数据也没关系，推大模型尺寸规模就可以，效果仍然会上升。但这基本是最后的选择，没办法的办法，只要有性价比高的方法就不会走这条路。

-有人问了：那按照你的意思，囤那么多GPU算力，其实对训最好的模型也没啥用？要是按照上面的理论，那确实是没有太大必要，比如Deepseek 2000卡也可以作出最好的模型不是。但是卡多有个好处，就是能压缩实验新想法和训练大模型基座的时间周期。比如你总得探索一些不同的算法、参数或数据配比的模型进行各种实验，你有10个新想法，如果只有2000张卡，可能得跑5天才能得出结论，要是有几万张卡，可能1天就能得出结论，所以卡多对于探索效率是有极大帮助的。卡多创新多，这点肯定成立。

-为何Grok 3作为通用基座模型，它的评测指标只有数学、科学和代码数据集？没有通用能力比如最常用的MMLU指标的对比，这是不太规范的对比模式。推断可能Grok 3的通用能力相对OpenAI和Deepseek的模型没有大幅提升，所以不拿出来比？

-如果想要提升基座模型的数学、科学和代码能力，无论从方法还是从成本角度来讲，难度并不大，目前比较标准的做法是类似Deepseek V3从Deepseek R1蒸馏数学、代码等逻辑题的长COT数据，即深度思考过程数据，就是说把深度思考长COT数据引入基座的Post-Training阶段、甚至前置到预训练阶段（所谓大模型“左脚（Deepseek基座）踩右脚（Deepseek R1）自我飞升”的模式），这样就能大幅提升基座模型在数学和代码方面相关的能力，也就是Grok3宣传具备的“有思维链推理和自我纠错机制”，评测指标看着会比较好看，而且蒸馏的数据总量也不会太大（几百B级别应该够了），成本很低，对算力要求不高。

-OpenAI 很快会发布的非逻辑推理模型GPT 4.5，大概也应是类似的思路，从o3模型蒸馏COT数据，用深度思考数据来提升GPT 4.5基座模型的智商，大模型“左脚踩右脚自我飞升”大法，这会是之后基座模型提升能力的主要手段。

-Grok 3的算力消耗是Grok 2的10倍，如果遵照Chinchilla Scaling Law，**做法是Grok 3的训练数据量比Grok 2增加3倍，模型大小同时比Grok 2增加3倍（但是目前的趋势是减小模型大小，增大数据量[就是说“小模型大数据”的模式]，尽管这样不满足训练最优原则，但因为模型尺寸小了，所以这种模型更适合在线推理服务，降低服务成本）。

-如果像发布会宣称的，Grok 3耗费算力是Grok 2的10倍消息为真的话，那有两种可能。一种是数据量增长极大，这样只能是增加了大量多模态数据，比如数据量从10T增长到30T（目前文本模型使用的数据量，最多到18T到20T之间，基本到顶，再多没有了，要大幅增加只能加多模态数据，但是增加多模态数据对提升大模型智商帮助不大，所以这个增量按理说不应该太大），如果这样推算，Grok3的模型规模增长3倍左右；第二种可能是训练数据量比20T增加的不多，如果这样可以推出Grok3模型尺寸比Grok 2要大很多，至少4到5倍起步（若新增数据不多，那只能靠增加模型尺寸来消耗新增算力）。不论是哪种可能，Grok 3的模型大小肯定比Grok 2大了很多，而Grok 2模型本身可能就不小（Grok 2发布网页评测效果超过Llama 3.1 405B，所以无论数据还是模型大小，都不会太小，要是Dense模型， 70B是最小的估计了），所以Grok 3的尺寸规模很可能不是一般的大（感觉在200B到500B之间）。

-很明显，Grok 3仍然在采取推大基座模型尺寸的“传统”做法，也就是上面“Scaling Law”部分分析的预训练阶段增大模型尺寸的方法来提升基座模型能力，上面分析过，这种做法是性价比很低的。比较时髦的做法是把训练重心放在RL Scaling方面，性价比会高太多。但是为啥他要做这种赔本买卖呢？在后面会给出一个可能的解释。

-Grok 3的深度思考版本，不说体验，单从评测指标看，达到或者超过了o3 mini，确实是目前效果最好的，或者说最好的之一没有什么问题。

-说回上面提到的问题，为啥明知靠推大预训练阶段模型尺寸规模性价比低，Grok 3还要用这种模式呢？很可能内在的原因在于（推断无证据）：Post-Training阶段采取RL Scaling，其效果可能跟基座模型的大小是有正相关关系的，就是说，同样的RL阶段的算力消耗，如果基座模型尺寸更大，则RL 阶段的Scaling效果越好。只有这样，才有在预训练阶段尽量把模型规模推大的必要性。而我们可以假设，Grok 3之所以采取这种过于耗费算力，看着性价比不高的方式，是希望通过加大基座，把深度思考版本的能力明显提起来。

-貌似Deepseek R1效果很好又开源，获得一片好评，但大家想要实际用起来，会发现基座太大，部署难度和消耗资源太高，对下游应用不太友好。那为啥Deepseek非得推这种对下游应用来说明显过大的模型呢？（小点的蒸馏模型看着指标很好，但是实际应用效果貌似差不少），是否也是因为基座模型如果不够大，深度思考模型效果就没那么好的原因？

-如果上述假设成立，那意味着：三个Scaling Law(Pre-train、RL 、Test Time)，从提高大模型智商的性价比来说，由高到低是：Test Time > RL > Pre-Train，这个是之前的结论。但如果上述假设成立，说明Test Time Scaling的天花板最低，它的天花板依赖于RL阶段的Scaling能力，而RL阶段Scaling天花板次低，它的天花板依赖于预训练阶段Pre-Train的Scaling？如果这样，如果有一天当RL和Test Time天花板到顶，意味着我们可以再启动一轮，去推大基座模型的模型尺寸，RL阶段Scaling 的天花板随之升高，然后可以再去Scale RL和Test Time，就进一步得到智商更高的大模型。如果这成立，那意味着AGI的解决方案已经完整了？其实不需要新的Scaling Law存在就够？

-上述推论，是在一个前提成立的条件下的推出来的，这个前提是：Grok 3耗费这么大算力推大模型规模，这是个深思熟虑或小规模实验的结果，而不是仅仅受到之前老观念（预训练阶段算力越高效果越好）影响下的决策。如果这个前提不成立，则上述推论不成立。总之，一切责任在马斯克，Over。

Grok-3（Beta）、Grok-3 mini
首个推理模型Grok-3 Reasoning（Beta）、Grok-3 mini Reasoning：击败o3-mini/DeepSeek-R1，解锁推理时计算
首个AI智能体「DeepSearch」：联网深入搜索

一股OpenAI发布会的味道扑面而来

据介绍，三代Grok的训练计算量竟是Grok-2的10倍，那么实际表现又如何？

世界最大超算集群Colossus已有20万块GPU：10万块GPU同步训练（第一阶段用时122天搭建）；20万GPU（第二阶段用时92天）

在多项基准测试中，Grok-3在数学（AIME 2024）、科学问答（GPQA）、编码（LCB）上刷新SOTA，大幅超越DeepSeek-V3、Gemini-2 Pro、GPT-4o。

Grok-3 mini的性能基本上领先或媲美其他闭源/开源模型。

在著名大模型LMSYS Arena排行榜中，Grok-3（chocolate终于揭秘）刷榜，Elo评分超1400位列最高，没有任何一个模型能与之相比。

Grok-3的数学能力十分惊人，几乎能完成大部分美国数学专业能力测试的题目。

更令人惊喜的是，Grok-3此次还带来了推理模型——Grok-3 Reasoning，在回答问题时会展示出思维过程。

进入聊天入口，直接选择「Think」模式，即可开启魔法。

此外，还有「Big Brain」模式、智能体「深度搜索」（Deep Search）模式同步上线。

几天前，马斯克曾在预告中放出豪言，「这是地球上最聪明的AI」，此言不虚。

总爱搞点事情的奥特曼，一会儿说GPT-4.5让自己深刻感受到AGI，一会儿又要开源模型全网投票。

甚至有网友提议，不如咱就7:30pm发布GPT-4.5吧！奥特曼：这不太好吧。

奥特曼的这番言论，摆明了是要扰乱军心。据传言，Grok-3发布这一历史性时刻，OpenAI全员观战。

OpenAI前脚发布的o3-mini刚刚击败了R1，如今又被Grok-3追回。不知今晚，GPT-4.5会不会降临？

暴击o3-mini、DeepSeek-R1，解锁测试时计算

有人说，Grok-3是终极的Scaling Law测试，如今看来，事实如此。

从2023年Grok-1首次面世，到Grok-1.5，再到Grok-2逐步迭代，模型推理性能飞速飙升的同时，还吞噬了大量的算力。

Grok-3家族，更是将「测试时计算」发挥到了极致。10万块H100超算，训出的野兽几乎无「模」能敌。

它成为首个Elo评分打破1400的模型，在所有分类测试中位列第一。

在多项基准测试中，推理模型Grok-3 Reasoning和Grok-3 mini Reasoning在数学、科学、编码上，性能均大幅超越o3-mini（high）、o1、DeepSeek-R1，还有Gemi-2 Flash Thinking。

可以说，迄今为止最强「推理模型」，全部败给了Grok-3 Reasoning，可以说，它是名副其实的「世界上最聪明的模型」。

团队表示，允许Grok去进行更长时间的思考和推理。

在最新的数学基准AIME 2025上，Grok-3两款新模型性能同样刷新SOTA，分别拿下了93和90分。

顺便提一句，Grok-3思维链和o3-mini套路一样——防止被偷家xAI掩盖了部分思考过程。

接下来，让我们一睹Grok-3强大的推理能力。

首先是一个太空飞船任务，生成一个地球发射、火星着陆以及下一次发射窗口返回地球的动画3D代码。

注意，这个问题的难点在于，过程中涉及到了大量数学和物理模型的计算。在此之前，团队从未试过让大模型去计算航天的发射窗口。

在「Think」模式下，可以看到Grok的思维痕迹，甚至可以进去看看Grok在解决问题时到底在想什么。

Grok 3很快生成了完整可运行的3D动画。在代码中，Grok-3数值上求解了开普勒定律。

下图是3D动画的画面，直观展示了任务过程中，太阳、地球、火星和飞船之间的位置关系。

甚至，宇航员可以据此直接算出出舱时间和距离。这上面有地球-火星往返的转移路径，这种穿越每26个月发生一次。接下来，我们现在正处于一个过渡窗口期。

研究者经过检查后激动表示：Grok-3给的答案完全正确！

最后马斯克揭开谜底：其实，这就是SpaceX真正的探索轨道。他充满信心地表示，两年内，地球和火星就会被连接在一起。

很快有网友评论，「可以确认，Grok-3强得离谱！」

与之相对比的是，o1、o1-pro、o3-mini（high）全都在这个问题上栽了：生成一段代码，实现从地球发射、登陆火星，然后在下一个发射窗口返回地球的3D动画。

「它们生成的代码能跑是能跑，但很不幸，飞船根本就没靠近过火星，更别说回来了。」该网友表示。

然后团队又让Grok-3制作一个游戏。要求是结合俄罗斯方块和宝石迷阵两个游戏的混合体。

「显然，如果你让AI去创作一款像俄罗斯方块这样的游戏，互联网上有许多例子，或者类似宝石迷阵的游戏。它可以复制它们。」演示人员表示。

所以，现场他们让Grok-3制作了一个结合了俄罗斯方块和宝石迷阵两个游戏的混合体，这次他们使用了「Big Brain」模式，可以使用更多计算能力的一种模式。

Grok-3随后开始使用python编写代码，可以看出它调用了pygame、random和time这3个库来完成游戏的编写。

代码完成后，Grok-3生成的俄罗斯方块和宝石迷阵两个游戏的混合体成功运行，虽然游戏逻辑有些随意，但是界面挺美观。

「我们在x.ai准备好成立一个游戏工作室了吗？」演示人员激动地说道，「是的，所以我们正在x.ai启动一个人工智能游戏工作室。」

在此过程中，研究者们讨论道：最好的AI模型，必须像人类一样思考，会去想所有可能的对策和解法，会自我批评、回溯，还会从第一性原理去思考。

甚至，Grok能够了解自己的逻辑和推理过程中的一些失误所在，更正自己的错误，将一些数学推理过程概念化，而现实生活中，也正是这些问题的延伸。

研究者表示，真正令人兴奋的就是，可以用Grok-3去完成现实世界中的任务，比如打造一辆特斯拉，或者去发射火箭。

这正是Grok团队目前正在思考的问题。

没想到，这一次马斯克还带来了Grok-3首个智能体——DeepSearch。

DeepSearch是Grok的第一代智能体，能够在互联网上进行更深入的搜索。

它允许用户对互联网和X平台进行全面搜索。该模式分析大量信息，并通过快速高效的搜索过程提供详细、合理的答案。

此外，它的信息检索过程对用户更加透明。你可以直接告诉它只使用来自X的内容，它会尽量遵守这个要求，因此可控性更强，也更智能。

我们可以问DeepSearch智能体：下一次星舰发射是什么时候？

可以看到，在左边，它展示出了搜索和推理的过程，而在右边，则展示出了深度思考过程，以及模型正在浏览什么样的网址和网页。

最终，智能体给出了答案：25年2月24日。

游戏玩家还可以提问：在Poe 2中最硬核的流派是什么？

除了给出答案——炼狱师召唤流之外，智能体还在回答中给出了如何获得更多武器的攻略。

因此，比起现在普通的搜索引擎，使用Grok智能体能节约更多的时间。

Grok团队表示，从此，或许所有实习生都要失业了，我们需要的只是向大模型下任务。每个月花40美元，就能带来数十亿美元的回报。

马斯克：一周内所有功能上线，几个月内全面开源

所以，Grok-3到底什么时候开放？

对此，马斯克表示，订阅Premium Plus的X用户现在已经可以用上了。

而Grok忠实粉丝则可以单独订阅SuperGrok，从而解锁深度搜索和思考模型等先进功能，并成为早体验新特性的那一波。

全新网址是http://grok.com，另外App Store里也可以下载了。

马斯克强调，最新版本一定是网页版，App Store里是比较落后的。

目前，Grok-3每天都在更新推理功能，马斯克放话说：一周内，Grok的所有功能都将上线！

传送门：https://grok.com/

什么时候出语音助手版？会花一周时间。

Grok-3 API什么时候上线？几周内。

Grok 3语音模式是原生的，还是文本转语音？它是Grok-3的一个变体，能理解你说的话，并且直接生成音频。

Grok-3能否将音频转录成文本？没问题。这个声音模型不仅仅是语音转文字那么简单，它还具备对话记忆功能，能记得和你之前的交互记录。

马斯克表示，几个月之后会对Grok-3进行全面的开源。

Grok-3最令人兴奋的部分是什么？训练模型，以及百分百的逻辑推理，都是最难的部分，就像你需要随时随地设计宇宙的最新进展。

如何设计这样一个史上最难推理模型？研究者表示，我们花了24个月去打磨这个模型，确定它在逻辑推理上有了最新进展，同时他们使用了一个废弃工厂，数据中心之所以落地在孟菲斯，是因为既需要算力，又需要能源功能，需要1/4吉瓦来向GPU供能，同时还需要冷却设施。

此前，从没有人真正在数据中心实现过液冷，但Grok团队做到了！

为了进一步对数据中心供能，我们使用了特斯拉的Megapacks，并且重新计算了建筑物的能源供给。最终证明：团队的计算是有效的！

而且，过程中还需要把不同计算机联结在一起，共享信息。在此过程中，团队会看到模型之间供给不平衡的情况。

一方面，是对建筑供能和节能的重新设计；另一方面，团队设计了大模型，设计了全新的算法过程。

研究者表示，不知道其他大模型是否也像Grok-3一样，需要如此多的人力和物力。

当然，团队也希望在接下来，减少模型的能耗，把数据中心的耗能从1/4吉瓦降低下来，或许需要重新设计，让它成为世界上效率最高的数据中心。

提前拿到内测资格后，AI大佬Karpathy展开了一番评测，分享的感悟比一篇文章还要长。

总结来说，Grok-3推理模型最领先，解决了卡坦岛（Settler‘s of Catan）难题。上传GPT-2论文后，Grok-3完成了简单的查找问题。

它没有解决黎曼假设难题，仅是说「这是一个伟大未解决的难题」。

在体验「深度搜索」功能时，结合了思考+深度研究的能力，能对需要研究、查找的问题提供高质量回答，并给出参考链接。

最后，Karpathy给出的评价是，「Grok-3 + Thinking表现似乎达到了与o1 Pro（每月200美元）相当的水平，并且略优于DeepSeek-R1和Gemini 2.0 Flash Thinking」。

大约一年前，xAI团队从0开始的，这么短时间内就达到了顶尖水平，这是前所未有的惊人成就。

Grok-3同样通过了物理模拟测试，效果堪比o3-mini。

xAI联创同样表示，「我们改进模型和系统的速度，比任何单一的里程碑都更重要。Grok-3证明了我们能够在19个月内从零起步达到了最先进的水平」。

此外，xAI工程师还曝出了即将上线的「高级语音模式」

Grok-3横空出世，再次把xAI带回到世界第一梯队。

用马斯克的一句话做个总结——要判断哪家公司会在技术竞争中胜出，你只需要关注其创新速度的一阶导数和二阶导数。

xAI团队胜利的这一刻，值得被记录。