近期，埃隆·马斯克及其xAI团队发布了备受瞩目的Grok 3。 发布前，马斯克通过各种预热活动，成功将公众的期待推向顶峰。 然而，尽管马斯克对Grok 3 寄予厚望，并给出了极高的评价，但从目前的测评结果来看，Grok 3 的实际表现并未达到预期的高度。
在发布会上，马斯克充满信心地宣称，Grok 3 在数学、科学和编程等领域的基准测试中，已经超越了所有主流模型。 他甚至表示，计划将 Grok 3 应用于 SpaceX 的火星任务计算， 并大胆预测 Grok 3 有望在未来三年内取得诺贝尔奖级别的突破。 如此豪言壮语，无疑让人们对 Grok 3 充满了期待。
然而，发布会后，一些媒体对 Grok 3 进行了实际测试，结果却略显尴尬。 例如，当被问及“9.11 与 9.9 哪个大”这个简单问题时，这个号称“目前最聪明”的 Grok 3 竟然未能给出正确答案，这一表现迅速引发了网络上的调侃和质疑。 这种基础逻辑错误，不禁让人对其宣称的强大性能产生疑问。
更令人惊讶的是，在 xAI 发布会直播中，Grok 3 在分析游戏《流放之路 2》的职业与升华效果时，也出现了大量错误答案。 更为尴尬的是，马斯克本人在直播过程中似乎并未注意到这些明显的错误。 这一系列问题，无疑加剧了人们对 Grok 3 实际能力的质疑。 考虑到模型的复杂性，在特定领域出现偏差情有可原，但如此明显的错误未被及时发现，也暴露出团队在测试和演示环节可能存在疏忽。
官方PPT中，Grok 3 在大模型竞技场 Chatbot Arena 中表现看似优异，但实际上，其与 DeepSeek R1 和 GPT-4 的差距仅为 1% 到 2%。 这一数据表明，随着模型规模的不断扩大，性能提升的边际效应已经越来越明显。这意味着，为了获得微小的性能提升，可能需要投入巨大的计算资源和训练时间。从技术角度来看，未来的研发重点可能需要放在模型架构的创新，而非单纯的堆砌算力。
在发布会上，马斯克透露，Grok 3 使用了超过 20 万张 H100 芯片，总训练小时数达到两亿小时。 然而，相较之下，DeepSeek V3 仅使用了 2000 张 H800 芯片训练两个月，就取得了与 Grok 3 相差无几的性能。 这种对比，进一步凸显了 Grok 3 在性能提升上所面临的挑战。 如此巨大的资源投入未能带来相应的性能飞跃，无疑引发了关于训练效率和模型架构的讨论。
面对外界的质疑与批评，马斯克在社交媒体上回应称，当前的 Grok 3 仅为测试版本，完整版本将在未来几个月内推出。 他同时邀请用户积极反馈使用过程中遇到的问题，并承诺将根据这些反馈进行改进与优化。 然而，对于已经对 Grok 3 产生怀疑的用户而言，这样的表态是否能够重新挽回他们的信任，仍然是一个未知数。 考虑到大型语言模型的复杂性和迭代周期，后续版本的改进效果将直接决定 Grok 3 的市场竞争力。
