作者 | 費(fèi)斌杰 北京市青聯(lián)委員 熵簡(jiǎn)科技CEO

就在幾天前，馬斯克的xAI正式發(fā)布Grok 4大模型，號(hào)稱世界最強(qiáng)AI。

我們團(tuán)隊(duì)這幾天仔細(xì)研究了Grok 4相關(guān)的研究資料，有一些新發(fā)現(xiàn)，對(duì)未來AI產(chǎn)業(yè)趨勢(shì)及算力展望具有一定價(jià)值，遂整理成此文，用一篇文章的篇幅給大家介紹清楚Grok 4的發(fā)展脈絡(luò)。

核心要點(diǎn)：

• Grok 4的核心創(chuàng)新是在訓(xùn)練階段引入多智能協(xié)作，即“多智能體內(nèi)生化”

• OpenAI o1實(shí)現(xiàn)了“思維鏈內(nèi)生化”；Gemini實(shí)現(xiàn)了“多模態(tài)內(nèi)生化”；Grok 4則是率先走出了“多智能體內(nèi)生化”的一步，將進(jìn)一步推高基座模型的性能上限，Agent走向2.0時(shí)代

• 預(yù)訓(xùn)練、后訓(xùn)練、測(cè)試時(shí)均存在Scaling Law。過去兩年以預(yù)訓(xùn)練為主，今年開始后訓(xùn)練、測(cè)試時(shí)推理需求快速增長，新一代大模型軍備競(jìng)賽已啟動(dòng)，算力需求持續(xù)指數(shù)級(jí)增長

• Grok 4在各大Benchmark表現(xiàn)出眾，但Benchmark測(cè)試污染嚴(yán)重，結(jié)果僅供參考，經(jīng)實(shí)測(cè)發(fā)現(xiàn)Grok 4現(xiàn)階段編程能力較弱，未來將單獨(dú)推出Coding版本模型

下面我們正式開始。

（1）大力出奇跡，性能登頂各大Benchmark

Grok 4是在xAI自研的Colossus超算上訓(xùn)練而成的，其訓(xùn)練規(guī)模遠(yuǎn)超前代模型，計(jì)算資源投入為 Grok-2 的100倍、Grok-3 的 10 倍，實(shí)現(xiàn)了推理性能、多模態(tài)能力和上下文處理能力的躍升。

Grok 4擁有兩個(gè)版本：Grok 4（月費(fèi)30美金）、Grok 4 Heavy（月費(fèi)300美金，是的你沒看錯(cuò)，300美金?。?。其中Grok 4是單Agent版本，而Heavy是多Agent協(xié)作版本，能夠同時(shí)啟動(dòng)多個(gè)Agent并行工作，并最后整合結(jié)果。

圖：Grok 4 vs Heavy，AlphaEngine

經(jīng)過實(shí)測(cè)，Grok 4在多個(gè)Benchmark上均取得了優(yōu)秀的成績(jī)。在GPQA、AIME25、LCB（Jan-May）、HMMT25、USAMO25等多項(xiàng)測(cè)評(píng)中，Grok 4都超越了o3、Gemini 2.5 Pro、Claude 4 Opus等模型。

相比這些Benchmark而言，更值得關(guān)注的是在被稱為AI界"最后審判"的HLE（人類最后考試）中，Grok 4 Heavy獲得了44.4%的成績(jī)，此前的冠軍Gemini 2.5 Pro只有26.9%，成功率顯著提升。

HLE為什么這么重要，它到底是什么來頭呢？

（2）HLE：人類最后的考試

隨著大模型能力的提升，許多最新模型能夠在現(xiàn)有Benchmark表現(xiàn)出極高的準(zhǔn)確率，導(dǎo)致這些基準(zhǔn)失去了分辨模型智能水平的能力。

因此，Center for AI Safety和Scale AI在25年初提出了HLE，即“人類最后的考試”，旨在成為最后一個(gè)廣泛覆蓋學(xué)術(shù)能力的封閉式基準(zhǔn)測(cè)試，專注于評(píng)估模型在人類知識(shí)前沿的表現(xiàn)。

HLE包含2500個(gè)極具挑戰(zhàn)性的問題，覆蓋數(shù)學(xué)、人文學(xué)科、自然科學(xué)等超過100個(gè)學(xué)科，設(shè)計(jì)為無法通過簡(jiǎn)單的互聯(lián)網(wǎng)檢索快速回答的問題。

在Grok 4推出之前，市面上最強(qiáng)大的模型在HLE上的表現(xiàn)普遍非常不理想，比如GPR-4o的準(zhǔn)確率僅為2.7%。

有趣的是，大模型在給出錯(cuò)誤回答的時(shí)候，往往表現(xiàn)出極高的置信度，這說明了大模型在處理復(fù)雜問題上的短板。

這么說大家可能還感覺不夠直觀，我截取了HLE測(cè)試集中的幾個(gè)樣例問題，大家可以試著解答一下，看看自己能否超越Grok 4 Heavy。

圖：HLE問題，考察圖文理解，古代文字破譯

圖：HLE問題，考察數(shù)學(xué)能力

圖：HLE問題，考察計(jì)算機(jī)，圖論

圖：HLE問題，考察生物化學(xué)

（3）Grok 4的核心創(chuàng)新：多智能體內(nèi)生化

Grok 4 Heavy 的核心創(chuàng)新在于訓(xùn)練階段即引入多智能體協(xié)作，我們將其稱為“多智能體內(nèi)生化”。

何謂“內(nèi)生化”？我們來回顧一下過去3年大模型的發(fā)展歷史，你一定會(huì)一目了然。

還記得在22年風(fēng)靡一時(shí)的CoT思維鏈嗎？當(dāng)時(shí)人們?yōu)榱俗尨竽Ｐ瓦_(dá)到更好的回答效果，需要引入一些提示詞來誘發(fā)大模型進(jìn)行深度思考，比如“Let's think step by step”。

當(dāng)時(shí)，CoT能力屬于Prompt工程，是獨(dú)立于大模型能力之外的一種提示詞技巧。

圖：2022年的大模型分享，CoT

然后在24年9月，OpenAI推出的o1模型首次明確將深度思考能力“內(nèi)化”到大模型中，確立了從Scaling Training到Scaling Inference的訓(xùn)練新范式。

圖：2023年的大模型分享，Q*及慢思考

圖：2024年的大模型分享，OpenAI o1的“深度思考內(nèi)生化”

隨后25年2月的DeepSeek進(jìn)一步驗(yàn)證了將“CoT能力內(nèi)化”確實(shí)能夠大幅提升大模型的推理性能。

圖：2025年的大模型分享，DeepSeek R1技術(shù)原理

回顧歷史后，我們能清晰地發(fā)現(xiàn)大模型發(fā)展的一條主線：大模型逐漸把Prompt工程、深度思考等能力納入到訓(xùn)練過程中，實(shí)現(xiàn)能力內(nèi)生化。

好比兩個(gè)學(xué)生，其中一個(gè)拿著參考書進(jìn)行開卷考試，另一個(gè)真正學(xué)習(xí)并掌握了知識(shí)（內(nèi)生化）。相比之下，后者往往能考出高分并且發(fā)揮更穩(wěn)定。

融會(huì)貫通一定是優(yōu)于刻板記憶和機(jī)械調(diào)用的。

Grok 4這次的最大突破，在于將Agent能力也進(jìn)行了內(nèi)生化，融入到訓(xùn)練過程中。

Grok 4在訓(xùn)練中融合了Agent調(diào)用及實(shí)時(shí)搜索等能力，將多個(gè)Agent之間的debate和self-check變成了大模型的內(nèi)生能力。

今年5月的一篇論文詳細(xì)闡述了從AI Agent到Agentic AI的發(fā)展趨勢(shì)，強(qiáng)調(diào)從單一任務(wù)的執(zhí)行邁向多代理協(xié)作的新范式。

Grok 4這次顯然更往前走了一步，率先將Agentic AI所特有的多代理協(xié)作、動(dòng)態(tài)任務(wù)分配、持久記憶等能力訓(xùn)練進(jìn)入大模型中，讓AI內(nèi)生化地支持Agentic AI，從而更有效的解決復(fù)雜任務(wù)。

（4）深度思考內(nèi)生化、Agent內(nèi)生化、多模態(tài)內(nèi)生化

在OpenAI o1出現(xiàn)之前，人們?yōu)榱思ぐl(fā)大模型的深度思考能力，往往需要學(xué)習(xí)大量提示詞工程技巧，但現(xiàn)在這些技巧已經(jīng)不再重要。

在Grok 4 Heavy出現(xiàn)之前，人們會(huì)通過Manus等Agent工具讓大模型處理復(fù)雜任務(wù)。當(dāng)Agent能力內(nèi)生化的方向得到確立，越來越多的AI大廠將加入其中，競(jìng)爭(zhēng)會(huì)愈發(fā)激烈。

未來通用型Agent產(chǎn)品需要有新的定位，把重心聚焦于工具鏈的完備設(shè)計(jì)、業(yè)務(wù)知識(shí)的注入、記憶層的輔助等，基于更加聰明的內(nèi)核，解決更多復(fù)雜的任務(wù)。

其實(shí)除了“Agent能力內(nèi)生化”之外，大模型發(fā)展還有一條主線，即：多模態(tài)內(nèi)生化。

通俗點(diǎn)來講，就是未來大模型應(yīng)該能夠輸入任何模態(tài)的數(shù)據(jù)，也能夠輸出任何模態(tài)的數(shù)據(jù)。

大模型的I/O不應(yīng)該只能是文本或圖片，也應(yīng)該包含視頻和音頻。

這在業(yè)界被稱為Omni Model，算是大家公認(rèn)的目標(biāo)。

值得注意的是，這里的“內(nèi)生化”和大家平時(shí)體驗(yàn)到的接收語音輸入的大模型有著本質(zhì)區(qū)別。多模態(tài)內(nèi)生化指的是大模型能夠原生的理解圖片、音頻、視頻，而非先轉(zhuǎn)碼成文字之后再進(jìn)行理解。

截至目前，OpenAI的所有模型尚不支持視頻模態(tài)輸入，而Google Gemini目前已經(jīng)能夠支持視頻模態(tài)的輸入和輸出，畢竟Google旗下的Youtube擁有世界上最大的視頻資源庫，大家能夠從最近推出的Veo 3的驚艷效果上具象化的感受到這個(gè)巨大的競(jìng)爭(zhēng)優(yōu)勢(shì)。

圖：Veo 3生成的AI視頻

既然AI能力內(nèi)生化是行業(yè)發(fā)展的大勢(shì)所趨，那么我們應(yīng)該清醒的意識(shí)到，大模型應(yīng)用類公司的核心壁壘只有2點(diǎn)：其一是私域數(shù)據(jù)的持續(xù)積累；其二是對(duì)應(yīng)用場(chǎng)景的深度洞察。

（5）AI Coding能力的認(rèn)知分歧，以及Base44帶來的啟發(fā)

Grok 4上線后，經(jīng)歷了全球網(wǎng)友的檢閱，實(shí)測(cè)反饋分歧較大，和xAI官方公布的跑分結(jié)果有著一定出入。

其實(shí)這點(diǎn)是容易理解的，現(xiàn)在主流Benchmark測(cè)評(píng)污染太嚴(yán)重。只要一個(gè)測(cè)評(píng)的問題集流傳到互聯(lián)網(wǎng)上，就有可能被加入到大模型的訓(xùn)練集中，導(dǎo)致測(cè)評(píng)誤差。

以前研究員可以通過控制大模型訓(xùn)練集的數(shù)據(jù)范圍來解決測(cè)試集污染的問題，但這次Grok 4把實(shí)時(shí)搜索和Agent能力都內(nèi)化到大模型中去了，數(shù)據(jù)污染的邊界無法得到有效的人為控制，沒有人能夠保證Benchmark的關(guān)鍵語料是否漏進(jìn)訓(xùn)練數(shù)據(jù)中。

所以Benchmark看看就好，實(shí)際還是得看海量用戶的實(shí)測(cè)體驗(yàn)。

根據(jù)大家的反饋，Grok 4在代碼生成能力上目前還有所不足。Grok 4生成的代碼往往存在依賴庫丟失、界面UI粗糙等問題。

在使用Grok 4編寫游戲時(shí)，經(jīng)常把最重要的pygame庫都給丟失了，這也是大家詬病Grok 4的核心原因之一。

馬斯克顯然也意識(shí)到了目前模型的短板，因此放出預(yù)期，在未來幾個(gè)月內(nèi)將會(huì)發(fā)布coding模型，值得期待。

大家對(duì)大模型Coding能力的理解其實(shí)存在一種誤區(qū)。

人們心目中一個(gè)強(qiáng)大的coding model往往是那種能夠刷榜LeetCode，精通各種算法的奧賽型選手。

但其實(shí)落地到商業(yè)場(chǎng)景，人們真正需要的coding model其實(shí)是一個(gè)能夠整合各種Github repo資源，構(gòu)建項(xiàng)目級(jí)應(yīng)用的實(shí)戰(zhàn)派選手。

這其實(shí)也是最近炙手可熱的Base44獲得成功的主要原因之一。

Base44是一家專注于Vibe Coding（氛圍編程）的AI初創(chuàng)企業(yè)，由以色列程序員Shlomo于2024年12月創(chuàng)立，僅運(yùn)營6個(gè)月即以8000萬美元（約5.7億元人民幣）被以色列軟件巨頭Wix收購，成為該領(lǐng)域首筆并購案例。

相比其他AI Coding產(chǎn)品而言，Base44更加專注于通過自然語言交互生成完整軟件系統(tǒng)，覆蓋數(shù)據(jù)庫搭建、身份驗(yàn)證、數(shù)據(jù)分析等功能。

圖：Base44核心數(shù)據(jù)，AlphaEngine

Base44的目標(biāo)用戶主要是無編程經(jīng)驗(yàn)的普通開發(fā)者，他們能夠使用Base44一站式創(chuàng)建完整的項(xiàng)目，這是廣大用戶最樸素的需求。

隨著Grok 4將更多實(shí)用的Agent能力內(nèi)生化到模型中，相信未來AI能夠真正實(shí)現(xiàn)這個(gè)效果，媲美全棧高級(jí)程序員。

（6）Grok 4之后的全球算力需求展望

今年年初以來，海外大模型發(fā)展提速，你方唱罷我登場(chǎng)。

圖：AI四人轉(zhuǎn)

海外AI基礎(chǔ)模型持續(xù)提速的根源，在于算力資源的持續(xù)投入。據(jù)稱xAI每個(gè)月要消耗10億美元的資金，預(yù)估2025年全年總支出將高達(dá)130億美金，這一數(shù)字遠(yuǎn)超行業(yè)平均水平。

Grok4是在xAI自建的Colossus超算中心上訓(xùn)練而成的，依托20萬張GPU集群，其計(jì)算資源投入是Grok2的100倍、Grok3的10倍，上下文窗口擴(kuò)展到了25.6萬tokens，遠(yuǎn)超Claude 3 Opus。

Grok4將Colossus超算的80%算力投入推理訓(xùn)練中，這也是直接推動(dòng)其在HLE基準(zhǔn)測(cè)試中達(dá)到44.4%的核心原因。

Colossus超算中心位于美國田納西州孟菲斯市，目前已部署35萬塊H100，總浮點(diǎn)運(yùn)算能力達(dá)到100 EFLOPS，預(yù)計(jì)下半年將擴(kuò)展到超過50萬張卡。

圖：AI巨頭算力布局

預(yù)訓(xùn)練、后訓(xùn)練、測(cè)試時(shí)均存在Scaling Law。過去兩年以預(yù)訓(xùn)練為主，今年開始后訓(xùn)練、測(cè)試時(shí)推理需求快速增長。

多Agent內(nèi)生化開了算力需求增長的新維度，在可見的未來將會(huì)給全球算力需求帶來幾何級(jí)增長。

圖：黃仁勛提出的Scaling Law三重奏得到驗(yàn)證

（7）結(jié)語：Agent內(nèi)生化趨勢(shì)明確，新一代AI訓(xùn)練軍備競(jìng)賽已啟動(dòng)

隨著Grok 4打響了Agent能力內(nèi)生化的第一槍，各個(gè)AI大廠大概率會(huì)跟進(jìn)，訓(xùn)練端仍然有較大的Scaling空間，新一代大模型訓(xùn)練的軍備競(jìng)賽已然開始。

讓我們一起拭目以待！

（文畢）

歡迎關(guān)注我的公眾號(hào)，這里會(huì)分享一些前沿科技及投資的最新觀點(diǎn)。

如需獲取更多投研資料，可以下載AlphaEngine APP，或登錄AlphaEngine網(wǎng)頁版查看，僅面向機(jī)構(gòu)投資者。

PC端地址：

https://www.alphaengine.top/

APP下載地址：

https://www.alphaengine.top/app