新闻资讯7

Grok 4实测：完虐o3却数不清手指

机器之心2025-07-11

AI 摘要

马斯克称Grok达博士后水平，网友实测Grok 4。它在多方面完胜o3，还能写游戏、可视化概念，但也有翻车，如数不清手指，马斯克称其有改进空间。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

Opus 5通关测试：强模型需简单环境

ARC Prize官方给Opus 5的ARC - AGI - 3成绩为30.2%，但开发者Jeremy Berman让其借助电脑，正确率飙升至96.2%。还开源代码，换用Codex等测试效果差。表明模型强时，简单环境更佳。

LLM大爆发，一天内推出Grok 4.6、Qwen3.8 - Max、DeepSeek - V4 - Pro - 0813三款前沿产品。社区对它们进行多场景测试，如3D场景、Flappy游戏、飞机滑行动画等，并对比了不同模型的性能、价格和输出质量。

本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。

作者花大成本从后端、人味、前端、推理等维度，对glm 5.2、kimi k3等国产模型进行测试，展示各模型在不同测试中的结果，指出国模2T俱乐部的kimi和qwen下限高，且刻板印象需改变。