Grok 3 Beta 发布说明 / 新特性

xAI 推出了 Grok 3 Beta，这是一个将广泛的预训练知识与先进的推理能力相结合的模型系列。Grok 3 在 Colossus 超级集群上进行训练，使用的计算量是之前最先进模型的 10 倍，在数学、编程、世界知识和指令遵循任务方面表现出了显著的提升。

通过测试时计算实现先进推理

Grok 3 引入了专门的推理模型，Grok 3 (Think) 和 Grok 3 mini (Think)，它们利用大规模强化学习 (RL) 来优化其思维链过程。这些模型可以采用测试时计算 (test-time compute)，在交付最终答案之前，花费从几秒钟到几分钟的时间进行回溯、纠错并探索多种解题策略。

推理模型的性能基准测试包括：

• AIME 2025: Grok 3 (Think) 在使用最高级别的测试时计算 (cons@64) 时达到了 93.3%。
• GPQA (研究生级专家推理): Grok 3 (Think) 达到了 84.6%。
• LiveCodeBench: Grok 3 (Think) 在代码生成和问题解决方面达到了 79.4%。
• AIME 2024: Grok 3 mini 达到了 95.8%。
• LiveCodeBench: Grok 3 mini 在 STEM 任务中达到了 80.4%。

用户可以通过 "Think" 按钮访问这些功能，该按钮通过允许用户检查模型的内部推理过程，从而提供完全的透明度。

预训练与通用性能

当推理功能被禁用时，Grok 3 提供高质量、即时的响应，并在非推理模型中取得了最先进的结果。它具有 100 万 token 的上下文窗口，比之前的 xAI 模型大八倍，增强了其处理大量文档并保持指令遵循准确性的能力。

关键基准测试的对比性能（Grok 3 Beta 对比 竞争对手）：

Benchmark	Grok 3 Beta	Gemini 2.0	DeepSeek-V3	GPT 4o	Claude 3.5 Sonnet
AIME’24	52.2%	—	39.2%	9.3%	16.0%
GPQA	75.4%	64.7%	59.1%	53.6%	65.0%
LCB	57.0%	36.0%	33.1%	32.3%	40.2%
MMLU-pro	79.9%	79.1%	75.9%	72.6%	78.0%
LOFT (128k)	83.3%	75.6%	—	78.0%	69.9%
MMMU	73.2%	72.7%	—	69.1%	70.4%
EgoSchema	74.5%	71.9%	—	72.2%	—

该模型的早期版本（代号为 chocolate）此前曾以 1402 的 Elo 分数登顶 LMArena Chatbot Arena 排行榜。

Grok Agents 与 DeepSearch

为了将模型的能力扩展到现实世界的交互中，xAI 正在引入 Grok Agents，它们将推理能力与工具使用结合起来，包括互联网访问和代码解释器。

第一个智能体 DeepSearch 旨在从整个人类知识库中综合信息、通过冲突的事实进行推理，并生成全面的报告。它适用于从实时新闻综合到深入科学研究的各种用例。

可用性与路线图

• 用户访问: Grok 3 在 X 和 Grok.com 上的 Premium 和 Premium+ 用户均可使用。Premium+ 用户可以立即访问 Think 和 DeepSearch 功能，并拥有更高的使用限制。
• API 访问: Grok 3 和 Grok 3 mini，包括标准版和推理版，将在未来几周内通过 API 平台发布。DeepSearch 将通过 API 提供给企业合作伙伴。
• Future Development: 训练工作正在进行中。未来对 Enterprise API 的更新将包括工具使用、代码执行以及先进的智能体能力，重点在于可扩展的监督和对抗性鲁棒性。