以下
文
章来源于微信公众号：
Datawhale
作者：
Datawhale
链接：https://mp.weixin.qq.com/s/yGN6dm5Oz1LHLgk9qIuCtg
本文仅用于学术分享，如有侵权，请联系
后
台作删文处理
马斯克的 AI 公司 xAI 正式发布 Grok 3，其计算能力比 Grok 2 提升一个数量级，由 10 万颗 H100 GPU 组成的 Colossus 超级计算机 训练完成。Grok 3 在数学、科学和编程基准测试中超越 GPT-4o、Claude 3.5 等主流模型，并推出推理增强版 Grok 3 Reasoning 及智能体 DeepSearch。虽然性能强劲，但实际表现仍需更多测试验证。Grok 3 全功能版预计一周内上线！
在 200 多万人的见证下，马斯克的 AI 公司 xAI 正式推出 Grok 3！
“我们非常高兴能够推出 Grok 3，我们认为，在很短的时间内，它的功能比 Grok 2 强大一个数量级。这要归功于一支不可思议的团队的辛勤工作，我很荣幸能与这样一支优秀的团队合作。”马斯克在发布会上说道。
插个题外话，为什么取名 Grok，马斯克是这么说的：
Grok 这个词来自罗伯特·海因莱因的小说《异乡异客》（Stranger in a Strange Land）。这是一个火星词，意思是充分而深刻地理解某事。
Grok 真的以极其
夸张的速度进行迭
代
。
。
Grok 3 由 Colossus 超级计算机训练完成，这台计算机是在短短八个月内建成的，搭载了 10 万颗英伟达
H100 GPU，提供了超过 2 亿 GPU 小时的计算资源——是 Grok 2 的 10 倍。
同时，在训
练方法上，xAI 采取了一些新的策略来优化 Grok 3 的能力，包括合成数据集、自我纠错机制和强化学习。
xAI 最开始搭建这个 10 万 GPU
集群（全球最大的全连接 H100 集群）用了
122 天，后续拓展到
20
万集群仅用了 92
天。
Grok 3 的算力消耗是
De
epSeek-V3
的 263 倍。
铺垫了这么多，接下来进入正题，
我们来聊一聊 Grok 的能力
。
根据发布会的顺序：Grok 3、Grok 3 Reasoning、Agents。
Grok 3 和 Grok 3 mini 在数学、科学和编程基准测试「AIME'24（一个高水平的数学竞赛）、GPQA（一个研究生水平的科学知识测试）、LCB Oct-Feb（编程能力测试）」上超越了所有主流模型，包括 GPT-4o、Claude 3.5 Sonnet、De
epSeek-V3 和 Gemini-2 Pro 等。
二、接下来是带推理能力的 Grok 3 Reasoning。
令人印象最深刻的是一个模拟航天器的任务，生成一
个地球发射、火星着陆以及利用霍曼转移轨道返回地球的动画 3D 代码。
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。
Grok 3很快生成了完整可运行的3D动画。
以下是 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。
研究者经过检查后表示：Grok-3 给的答案完全正确！
马斯克还说，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。
在跑分上，Grok 3 Reasoning 和 Grok 3 mini Reasoning 在 AIME'24、GPQA 等测试中取得了压倒性的优势，最高分
达到 96 分。
在 Chatbot Arena 竞技场，
Grok-3 的早期版本（代号“巧克力”）位列第一并成为唯一一个得分超 1400 分的模型。
发布会上，
马斯克也推出了基于 Grok 3 的智能体 De
epSearch
，和
OpenAI 前不久发布
的
Deep Research
有
亿
丢丢相似。
但是在效果上，还是很不一样的，xAI 的侧重搜索，OpenAI 的侧重研究。（或者说
De
epSearch 还达不到
Deep Research
的效果
）
De
epSearch
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。
而 OpenAI 的
Deep Research
，则是
为那些在金融、科学、政策和工程等领域从事密集知识工作并需要彻底、精确和可靠研究的用户而量身打造的。
给它一个提示，ChatGPT 将查找、分析和综合数百个在线资源，以研究分析师的水平创建一份综合报告。
AI 大神 Karpathy 提前拿到了内测资格，带来了 2 小时的深度体验报告。
-
Grok 3 的推理模式表现接近顶尖水平。例如，它能完美生成《卡坦岛》风格的六边形棋盘网页代码（根据滑块调整 "环数"），这一任务只有 OpenAI 的高端模型（如每月 $200 的 o1-pro）能稳定完成，而 DeepSeek-R1、Gemini 2.0 Flash 和 Claude 均失败。
-
成功估算 GPT-2 的训练算力（需从论文中推算未明确列出的数据）：Grok 3 在开启 "思考" 后准确完成，而 GPT-4o 和 o1-pro 均失败。
-
敢于尝试解决黎曼猜想（类似 DeepSeek-R1），而其他模型会直接放弃。
综合搜索与推理，回答质量接近 Perplexity 的
DeepResearch
。
-
拒绝默认引用 X（推特）内容，需手动要求。
-
偶尔会出现虚构的链接或错误陈述。
-
要求
它创建一份关于 LLM 的主要实验室及其总资金和员工数量估算的报告时
，漏掉自家公司 xAI。（这点有点搞笑了，最搞笑的是 OpenAI 的智能体也没有加 xAI，孽缘啊。。）
最后，Karpathy 给出的评价是：Grok-3 + Thinking 表现似乎达到了与 o1 Pro相当的水平，并且略优于 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。
在发文前，X 上的一位网友验证出了 Grok 3 可以解码 emoji 谜题，也收到了 AK 大神的点赞。
