xAI 发布 Grok 4：攻破 Humanity's Last Exam 超 44% 考题

前几个小时社交平台掌门人刚递交辞呈，前几天聊天机器人还在因言论翻车被舆论声讨，换作普通公司早就开启公关防御模式了。但马斯克偏偏选在这个节骨眼上，把自家最新的大模型推到了台前。

xAI 正式发布了新一代旗舰推理模型 Grok 4，以及采用多智能体架构的 Grok 4 Heavy。这次发布的节点颇具戏剧性，X 的首席执行官 Linda Yaccarino 刚刚辞任，而此前 Grok 3 更新后因生成涉嫌反犹言论饱受争议。

孟菲斯巨兽喂出来的推理怪兽

Grok 4 背后的最大底气，是 xAI 位于孟菲斯的 Colossus 超级计算机。这个算力集群在去年 9 月上线时搭载了 10 万张显卡，今年 5 月扩容到了 20 万张，按 xAI 的规划，最终目标是要堆到 100 万张卡。

算力堆叠带来的直接结果，是 Grok 4 在推理测试中的亮眼数字。在涵盖 2500 道跨学科高难度难题的基准 Humanity's Last Exam 中，Grok 4 在不借助外部搜索引擎的情况下，准确率突破了 44%。

作为对比，OpenAI 搭载 o3 模型的 Deep Research 得分为 26.6%。此外，该模型在 Arc-AGI-2 和 AIME 等测试上也拿下了顶尖表现，压过了 Gemini 2.5 Pro 和 OpenAI 的 o3。

马斯克在社交平台上放话称，除非题目存在蓄意的对抗性陷阱，否则 Grok 4 在数学和物理考试中基本不会做错。它不仅能抓出题目里的错误和歧义，还能自己修正并分别回答各个变体。

一个月 300 美元的多智能体版本

在交付形态上，xAI 这次兵分两路。面向普通用户，基础版 Grok 4 包含在每月 30 美元的 SuperGrok 会员中，支持语音、视觉输入，上下文窗口为 128k。

面向开发者，Grok 4 的 API 提供了 256k 上下文并内置搜索功能，输入每百万 token 计费 3 美元，输出每百万 token 计费 15 美元。

更引人注目的是增强版 Grok 4 Heavy。它采用多智能体协同机制，系统会派发多个智能体同时解题，互相验证并对比答案，最终输出最优解。

想要用上这个多智能体版本，代价并不便宜。xAI 推出了每月 300 美元的 SuperGrok Heavy 订阅，订户还能提前体验该公司的后续新产品。

马斯克在直播中还排满了接下来的发版日程：下个月上线专精编程的任务版本，9 月推出扩展多模态版，几周后再上线视频生成版。长远来看，他们还打算把模型接入计算流体力学等科学软件，并推向主流公有云。

为什么重要

对用户和专业开发者来说，Grok 4 是目前极少数在硬核数理推理上能真正扳倒 OpenAI 顶尖梯队的选择。如果你从事科研计算、算法验证或复杂代码架构设计，API 版本的价格和 256k 窗口值得立刻尝试。

但对普通人而言，每月 300 美元的 Heavy 订阅门槛极高，现阶段更像是给预算充足的机构或极客尝鲜的玩具，一般日常任务完全没有必要掏这笔钱。

在行业层面，xAI 证明了依靠自建超大规模单一集群进行快速迭代的杀伤力。从 20 万张 GPU 到刷新基准记录，它狠狠刺激了 OpenAI 和 Google，迫使顶级推理模型的竞争从单纯拼算法迅速演变成拼机房基建规模。

我们认为，xAI 这种多智能体内部辩论的做法很聪明，有效对冲了大模型在单次推理中的幻觉风险。但它的隐患同样赤裸：前代产品的安全失控和偏激言论言犹在耳，当推理能力强到能搞定科研难题时，如果在价值观过滤上再次失守，带来的破坏力只会比以往更难收场。