基准测试亮点

• AIME25 (数学竞赛): Grok 4 Heavy 直接拿了 100% 满分，而 Claude 4 Opus 是 75.5%。这属于碾压了。

• GPQA (研究生水平问答): Grok 4 Heavy 跑了 88.9%，把 Gemini 2.5 Pro (86.4%) 和 Claude 4 Opus (79.6%) 都甩在后面。

• LCB (法律常识): Grok 4 Heavy 79.4%，Gemini 2.5 Pro 是 74.2%。

• HMMT25 (高中数学竞赛): Grok 4 Heavy 96.7%，Gemini 2.5 Pro 是 82.5%。

• USAMO25 (美国数学奥赛): Grok 4 Heavy 61.9%，Gemini DeepThink (49.4%) 和 Gemini 2.5 Pro (34.5%) 根本没跟上。

• “人类最后一考”: Grok 4 重度版拿了 50.7%。带工具版 41%，不带工具版 26.9%。

• ARC-AGI 2 (抽象推理) 基准:15.9%。

第三方测评机构也下场了，Grok 4 确实是新王

独立 AI 模型分析机构 Artificial Analysis 说，他们拿到了 Grok 4 的早期访问权限，跑了一遍全套基准测试，结果出来了。

Grok 4 登顶了。

在他们的“人工智能指数 (Artificial Analysis Intelligence Index)”里，Grok 4 拿了 73 分，超过了 OpenAI o3 (70 分)、谷歌 Gemini 2.5 Pro (70 分)、Anthropic Claude 4 Opus (64 分) 和 DeepSeek R1 0528 (68 分)。

这是马斯克的 xAI 第一次 站到 AI 前沿的领头位置。

他们说，Grok 3 当时只是跟其他几家的大模型打得有来有回，但 Grok 4 是第一次让他们在自己的指数上把 xAI 排到第一。

他们是通过 xAI API 测试的 Grok 4，推特上那个版本可能会有不同。Grok 4 是个 推理模型，回答问题前会先“思考”，但 API 不会返回思考过程的 token。

价格和部署

Grok 4 的定价跟 Grok 3 一样：输入 3 刀/百万 token，输出 15 刀/百万 token。这个价格跟 Claude 4 Sonnet 一样，但比 Gemini 2.5 Pro 和 o3 (最近降价后) 要贵。

部署方面，除了 xAI API 和推特上的 Grok 聊天机器人，估计也会上微软的 Azure AI Foundry (Grok 3 和 3 mini 已经在上面了)。

关键跑分结果

• Grok 4 不光是总的智能指数第一，在他们的 编码指数 和 数学指数 上也是第一。

• GPQA Diamond 得分创历史新高，88%，超过了之前 Gemini 2.5 Pro 的 84%。

• Humanity’s Last Exam 得分也创历史新高，24%，超过了之前 Gemini 2.5 Pro 的 21%。

• MMLU-Pro 和 AIME 2024 得分并列最高，分别是 87% 和 94%。

• 速度: 75 token/秒，比 o3 (188)、Gemini 2.5 Pro (142) 慢，但比 Claude 4 Opus Thinking (66) 快。

其他关键信息

• 256k token 上下文窗口。比 Gemini 2.5 Pro 的 100 万小，但比 Claude 4 系列 (200k)、o3 (200k) 和 R1 0528 (128k) 大。

• 支持 文本和图像输入。

• 支持 函数调用和结构化输出。

成本方面的小细节: Artificial Analysis 还提到，Grok 4 在跑他们的智能指数时，输出的 token 用量比其他模型稍微多一点。这意味着，虽然单价一样，但实际用起来可能成本会高一些。

现在，Grok 4 的测评数据已经在他们的官网 artificialanalysis.ai 上线了。