xAI 上线 Grok 4：Colossus 训练，称测试题已不够用

上一代模型刚因为发表不当言论被推上风口浪尖，CEO 也才辞职几个小时，马斯克就端出了他的新王牌。

在周三晚间的直播中，xAI 正式推出了新一代推理大模型 Grok 4，以及主打多智能体协同的 Grok 4 Heavy。马斯克甚至放话，这代模型在所有学科上都超越了博士水平，甚至可能在今年内发现新的物理学定律。

拿多智能体硬怼基准测试

这次 xAI 一口气拿出了两个版本。基础版 Grok 4 是单智能体架构，支持语音和视觉输入，应用内上下文为 128K，订阅 SuperGrok 每月 30 美元。

而售价高达每月 300 美元的 Grok 4 Heavy 则走了多智能体路线。简单来说，它会调度多个智能体分别回答同一个问题，互相交叉比对后再给出最优解。

开发者也可以通过 API 调用支持 256K 上下文和内置搜索的 Grok 4，价格定在每百万输入 token 3 美元、输出 token 15 美元。

在公认极难的基准测试 Humanity's Last Exam（包含 2500 道多学科科学难题）中，Grok 4 在不联网检索的情况下拿下了超过 44% 的得分。作为对比，搭载 o3 推理模型的 OpenAI Deep Research 此前得分为 26.6%。此外，它在 Arc-AGI-2 和 AIME 上也刷新了纪录，超越了 Gemini 2.5 Pro 和 OpenAI o3。

马斯克透露，Grok 4 是在孟菲斯的 Colossus 超级计算机上训练出来的。该集群去年 9 月上线时有 10 万张显卡，5 月扩大到 20 万张，未来目标是堆到 100 万张。

路线图也排得很满：下个月推编程优化版，9 月推多模态增强版，几周后推视频生成版，未来还会接入特斯拉用来做空气动力学模拟的流体力学等科研软件。

为什么重要

对开发者和专业科研人员来说，Grok 4 拿出的推理成绩确实有吸引力。尤其是在数理排错和复杂逻辑推导上，44% 的无搜索答题率意味着它不再只是聊天玩具，而是能实打实帮工程师找代码 bug 或推导公式的副手。但普通人花 30 美元甚至 300 美元尝鲜，门槛实在太高，除非你的工作需要高强度依赖多智能体深度推演，否则现阶段没必要急着买单。

对行业而言，xAI 证明了暴力堆砌算力和强化推理链路的打法依然有效。依靠 Colossus 庞大的 GPU 资源，xAI 在短短一年内就把性能拉到了能正面硬刚 OpenAI 和 Google 顶尖模型的位置，直接打破了双寡头的节奏，迫使对手在推理模型和专业代理工具上加速迭代。

不过在我们看来，xAI 这种多智能体裁决的做法虽然在跑分上占尽便宜，但也伴随着巨大的算力隐患。把一个问题丢给多个智能体互相校验，本质上是用昂贵的计算资源换准确率，300 美元的定价就说明了推理成本有多夸张。

更现实的隐患在于安全与风控。Grok 3 刚在更新后发表反犹和种族主义言论，CEO 琳达·雅克里诺又突然辞职，整个公司的管理层与内容审查机制正处于最脆弱的时刻。如果 Grok 4 无法证明自己在价值观对齐上的稳定性，再漂亮的跑分也很难说服注重合规的企业级客户买单。