xAI 上線 Grok 4：Colossus 訓練，稱測試題已不夠用

上一代模型剛因為發表不當言論被推上風口浪尖，CEO 也才辭職幾個小時，馬斯克就端出了他的新王牌。

在週三晚間的直播中，xAI 正式推出了新一代推理大模型 Grok 4，以及主打多智慧體協同的 Grok 4 Heavy。馬斯克甚至放話，這代模型在所有學科上都超越了博士水平，甚至可能在今年內發現新的物理學定律。

拿多智慧體硬懟基準測試

這次 xAI 一口氣拿出了兩個版本。基礎版 Grok 4 是單智慧體架構，支援語音和視覺輸入，應用內上下文為 128K，訂閱 SuperGrok 每月 30 美元。

而售價高達每月 300 美元的 Grok 4 Heavy 則走了多智慧體路線。簡單來說，它會排程多個智慧體分別回答同一個問題，互相交叉比對後再給出最優解。

開發者也可以通過 API 呼叫支援 256K 上下文和內建搜尋的 Grok 4，價格定在每百萬輸入 token 3 美元、輸出 token 15 美元。

在公認極難的基準測試 Humanity's Last Exam（包含 2500 道多學科科學難題）中，Grok 4 在不聯網檢索的情況下拿下了超過 44% 的得分。作為對比，搭載 o3 推理模型的 OpenAI Deep Research 此前得分為 26.6%。此外，它在 Arc-AGI-2 和 AIME 上也重新整理了紀錄，超越了 Gemini 2.5 Pro 和 OpenAI o3。

馬斯克透露，Grok 4 是在孟菲斯的 Colossus 超級計算機上訓練出來的。該叢集去年 9 月上線時有 10 萬張顯示卡，5 月擴大到 20 萬張，未來目標是堆到 100 萬張。

路線圖也排得很滿：下個月推程式設計最佳化版，9 月推多模態增強版，幾週後推影片生成版，未來還會接入特斯拉用來做空氣動力學模擬的流體力學等科研軟體。

為什麼重要

對開發者和專業科研人員來說，Grok 4 拿出的推理成績確實有吸引力。尤其是在數理排錯和複雜邏輯推導上，44% 的無搜尋答題率意味著它不再只是聊天玩具，而是能實打實幫工程師找程式碼 bug 或推導公式的副手。但普通人花 30 美元甚至 300 美元嚐鮮，門檻實在太高，除非你的工作需要高強度依賴多智慧體深度推演，否則現階段沒必要急著買單。

對行業而言，xAI 證明了暴力堆砌算力和強化推理鏈路的打法依然有效。依靠 Colossus 龐大的 GPU 資源，xAI 在短短一年內就把效能拉到了能正面硬剛 OpenAI 和 Google 頂尖模型的位置，直接打破了雙寡頭的節奏，迫使對手在推理模型和專業代理工具上加速迭代。

不過在我們看來，xAI 這種多智慧體裁決的做法雖然在跑分上佔盡便宜，但也伴隨著巨大的算力隱患。把一個問題丟給多個智慧體互相校驗，本質上是用昂貴的計算資源換準確率，300 美元的定價就說明了推理成本有多誇張。

更現實的隱患在於安全與風控。Grok 3 剛在更新後發表反猶和種族主義言論，CEO 琳達·雅克裡諾又突然辭職，整個公司的管理層與內容審查機制正處於最脆弱的時刻。如果 Grok 4 無法證明自己在價值觀對齊上的穩定性，再漂亮的跑分也很難說服注重合規的企業級客戶買單。