北京时间 2 月 18 日，马斯克与 xAI 团队，在直播中正式发布了 Grok 最新版本 Grok3。

早在本次发布会之前，依靠着种种相关信息的抛出，加上马斯克本人 24/7 不间断的预热炒作，让全球对 Grok3 的期待值被拉到了空前的程度。在一周前，马斯克在直播中评论 DeepSeek R1 时，还信心满满地表示「xAI 即将推出更优秀的 AI 模型」。

从现场展示的数据来看，Grok3 在数学、科学与编程的基准测试上已经超越了目前所有的主流模型，马斯克甚至宣称 Grok 3 未来将用于 SpaceX 火星任务计算，并预测「三年内将实现诺贝尔奖级别突破」。

但这些目前都只是马斯克的一家之言。笔者在发布后，就测试了最新的 Beta 版 Grok3，并提出了那个经典的用来刁难大模型的问题：「9.11 与 9.9 哪个大？」

遗憾的是，在不加任何定语以及标注的情况下，号称目前最聪明的 Grok3，仍然无法正确回答这个问题。

Grok3 并没准确识别出这个问题的含义 | 图片来源：极客公园

在这个测试发出之后，很短的时间内迅速引发了不少朋友的关注，无独有偶，在海外也有很多类似问题的测试，例如「比萨斜塔上两个球哪个先落下」这些基础物理/数学问题，Grok3 也被发现仍然无法应对。因此被戏称为「天才不愿意回答简单问题」。

Grok3 在实际测试中的许多常识问题上出现「翻车」 | 图片来源：X

除了网友自发测试的这些基础知识上 Grok3 出现了翻车，在 xAI 发布会直播中，马斯克演示使用 Grok3 来分析他号称经常玩的 Path of Exile 2 (流放之路 2) 对应的职业与升华效果，但实际上 Grok3 给出的对应答案绝大部分都是错误的。直播中的马斯克并没有看出这个明显的问题。

Grok3 在直播中也出现给出数据大量错误的情况 | 图片来源：X

因此这个失误不仅成为了海外网友再次嘲讽马斯克打游戏「找代练」的实锤证据，同时也为 Grok3 在实际应用中的可靠性，再次打上了一个大大的问号。

对于这样的「天才」，无论实际能力几何，未来被用于火星探索任务这样的极度复杂的应用场景，其可靠性都要打上一个大大的问号。

目前，众多在几周前获得 Grok3 测试资格、以及昨天刚刚用上几个小时的模型能力测试者，对于 Grok3 当前的表现，都指向了一个相同的结论：

「Grok3 是很好，但它并不比 R1 或 o1-Pro 更好」#p#分页标题#e#

「Grok3 是很好，但它并不比 R1 或 o1-Pro 更好」 | 图片来源：X

Grok3 在发布中官方的 PPT 中，在大模型竞技场 Chatbot Arena 中实现「遥遥领先」，但这其实也应用了一些小小的作图技巧：榜单的纵轴仅列出了 1400-1300 分段的排名，让原本 1% 的测试结果差距，在这个 PPT 展示中都变得异常明显。

官方发布 PPT 中的「遥遥领先」效果 | 图片来源：X

而实际的模型跑分结果，Grok3 其实也只比 DeepSeek R1 以及 GPT4.0 实现了不到 1-2% 的差距：这对应了不少用户在实际测试中「并无明显差别」的体感效果。

实际上的 Grok3，只比后来者高了 1%-2% | 图片来源：X

此外虽然在分数上，Grok3 超过了目前公开测试的所有模型，但这一点并不被很多人买账：毕竟 xAI 在 Grok2 时代就有在这个榜单中「刷分」，随着榜单对回答长度风格做降权处理而大幅降低分数的情况，因此经常被业内人士诟病「高分低能」。

无论是榜单「刷分」，还是配图设计上的「小技巧」，都展示出的是 xAI 以及马斯克本人对于模型能力「遥遥领先」这件事的执念。

而为了这些差距，马斯克所付出的代价堪称高昂：在发布会中，马斯克用近乎炫耀的口吻表示，用了 20 万张 H100（马斯克直播中表示使用「超过 10 万」张) 训练 Gr