刚刚，Grok4跑分曝光：「人类最后考试」拿下45%，是Gemini 2.5两倍，但网友不信

机器之心报道 编辑：杨文、泽南 马斯克搭帐篷熬夜开发有效果了？这么高跑分，还不发布。 刚刚，Grok 4 和 Grok 4 Code 的基准测试结果疑似泄露。 X 博主 @legit_api 发帖称，Grok 4 在 HLE（Humanities Last Exam，人类最后考试）上的标准得分是 35%，使用推理技术后提高到 45%；在 GPQA 上的得分是 87- 88%；而Grok 4 Code 在 SWE Bench 上的得分则达到 72-75%。 这个跑分结果意味着什么？有网友将其与 OpenAI o3 和 Claude Opus 4 等竞争模型进行了对比。 Grok 4 在 HLE 上的标准得分约为 35%，使用推理技术后提升至 45%，这比 OpenAI o3 的最佳公开得分（约 20%）高出两倍，比 GPT-4o 高出四到五倍。 要知道 HLE 是一个自由回答测试，随机猜测准确率仅约 5%，因此每个百分点的提升都非常困难。 在 GPQA（研究生级物理和天文学问题）上，Grok 4 得分 87-88%，与 OpenAI o3 的顶级表现相当，并明显超过 Claude 4 Opus 的约 75%。 ...