北京时间 2 月 18 日，马斯克携 xAI 团队直播发布 Grok3。此前，相关信息的不断透露，加上马斯克的全力预热，让全球对 Grok3 的期待值拉满。一周前，马斯克评价 DeepSeek R1 时曾预告，xAI 将推出更优秀的模型。发布会上，Grok3 数据亮眼，在数学、科学和编程基准测试中超越主流模型。马斯克称，Grok3 未来会用于 SpaceX 火星任务计算，还预测三年内将实现诺奖级突破。Grok3 真能开启 AI 新纪元吗？

在 Grok3 发布后，有人迅速对最新的 Beta 版发起测试，抛出了那个向来被用来刁难大模型的经典问题：“9.11 与 9.9 哪个大？” 令人遗憾的是，即便 Gro3 自称为目前最聪明的大模型，在没有任何定语和标注辅助的情况下，依旧无法给出正确答案。

同样在海外也开展了不少类似的测试。测试者抛出诸如 “比萨斜塔上两个球哪个先落下” 这类基础问题，结果发现，Grok3 面对这些问题时，依旧难以招架。于是，网友们戏称其为 “天才不愿意回答简单问题”。

在 xAI 发布会直播期间，马斯克现场演示用 Grok3 分析他自称常玩的《流放之路 2》职业与升华效果。出人意料的是，Grok3 给出的答案大部分错误，而直播中的马斯克竟未察觉这一明显问题。因此这个失误不仅成为了海外网友再次嘲讽马斯克打游戏「找代练」的实锤证据，同时也为 Grok3 在实际应用中的可靠性，再次打上了一个大大的问号。

不少在几周前就获得 Grok3 测试资格，以及在发布当天刚体验了几个小时的模型能力测试者，对 Grok3 当前的表现给出了相似结论：“Grok3 确实不错，但并没有比 R1 或 o1-Pro 更出色”。在 Grok3 发布的官方 PPT 中，展示其在大模型竞技场 Chatbot Arena 里 “遥遥领先”。然而，这背后存在一些 “小心机”，PPT 榜单纵轴仅列出 1400 - 1300 分段的排名，使得原本仅 1% 的测试结果差距被放大，看起来十分显著。但实际的模型跑分结果显示，Grok3 与 DeepSeek R1、GPT4.0 相比，差距不到 1 - 2%，这也与许多用户在实际测试中 “感觉并无明显差别” 的体验相符。

尽管 Grok3 在分数上超越了当前所有公开测试的模型，可这并未得到众人认可。早在 Grok2 时期，xAI 就曾因在榜单上 “刷分” 饱受争议，后来榜单对回答长度风格降权，Grok2 的分数大幅下滑，因此被业内人士诟病 【高分低能】。为了追求这看似领先的优势，马斯克付出了高昂代价。发布会上，马斯克近乎炫耀地称，用了超 10 万张（直播中表示使用 “超过 10 万” 张，实际近 20 万张）H100 训练 Grok3，总训练时长高达两亿小时。然而，有网友对比发现，使用 2000 张 H800 训练两个月的 DeepSeek V3，与得分 1402 分的 Grok3 在大模型竞技场榜单上的差距不到 100 分，可 Grok3 实际训练算力消耗却是 V3 的 263 倍。

Grok3 登顶 【世界最强】 后，不少人很快发现，其背后 “模型越大，性能越强” 的逻辑已出现明显边际效应。Grok2 虽被指 “高分低能”，但有 X（Twitter）平台海量高质量第一方数据作支撑。到 Grok3 训练时，xAI 和 OpenAI 一样，撞上了优质训练数据不足的 【天花板】，模型能力边际效应迅速显现。这些情况，Grok3 开发团队和马斯克肯定最清楚。所以马斯克常在社交媒体称，当前用户体验的只是测试版，完整版未来几个月推出。他还化身产品经理，让用户在评论区反馈使用问题。

不到一天，Grok3 的表现就给那些寄望于靠 “大力飞砖” 训练更强力大模型的后来者敲响了警钟。据微软公开信息推测，OpenAI 的 GPT4 参数达 1.8 万亿，相较 GPT3 提升超 10 倍，而传闻中的 GPT4.5 参数规模更大。有 Grok3 的前车之鉴，无论是 GPT4.5，还是其他打算继续 “烧钱” 扩充参数体积以提升模型性能的开发者，都不得不思考如何突破这近在眼前的发展瓶颈。

OpenAI 前首席科学家 Ilya Sutskever 去年 12 月那句 “我们所熟悉的预训练将会结束”，如今又被人们重新记起，大家试图从中探寻大模型训练的真正出路。当时，Ilya 就精准预见可用新数据即将枯竭，模型难以靠获取数据提升性能的困境，他将此比作化石燃料消耗，直言【如同石油是有限资源，互联网中人类生成的内容同样有限】。Sutskever 预测，下一代模型将具备 【真正的自主性】和 【类似人脑】 的推理能力。与当前预训练模型依赖内容匹配不同，未来 AI 系统能像人脑 “思维” 一样，逐步学习并建立解决问题的方法。

人类精通一门学科，借助基本专业书籍即可，AI 大模型却需学习海量数据才能入门，换个问法就可能无法理解基础问题，智能提升有限，就像 Grok3 连一些基础问题都答不对。

尽管如此，若 Grok3 真能揭示 “预训练模型即将走到尽头”，那对行业而言，仍具有重要的启发意义 。