Grok 4 发布:增加推理算力并训练模型使用工具

原标题Grok 4 launch pairs more reasoning compute with tool use

在 xAI 2025 年 7 月的发布会上,团队展示基准结果、多智能体版本及语音和编程示例。

EMElon Musk讲者 · xAIJBJimmy Ba讲者 · xAI
频道
Brighter with Herbert
发布
2025年7月10日
视频
36:44
阅读
5 分钟
幻灯片
4
原文
英语
在 YouTube 打开
往下滚动阅读时,视频会缩到右下角继续播放。字幕跟随阅读语言。
阅读语言共 2 种语言可读
由 AI 从英语原文翻译。打开“对照原文”可以逐段核对。
摘要

30 秒看懂

在 2025 年 7 月的 Grok 4 发布会上,xAI 介绍了增加强化学习算力和专门训练模型使用工具的做法。Grok 4 Heavy 使用多个智能体分别工作并比较答案;团队展示了基准图表、经过简化的黑洞可视化和模拟自动售货机生意等示例。马斯克也承认图像理解存在弱点,并将后续能力描述为计划和预测。

  1. 1xAI 增加了用于强化学习的算力演示者区分了预训练,以及额外用于推理和强化学习的算力。
  2. 2Grok 4 Heavy 比较多个智能体的工作团队介绍多个智能体并行解题、比较候选方案,而非仅靠简单多数投票。
  3. 3黑洞演示有意简化了物理过程演示者说,浏览器可视化夸大了波动,并使用近似方法,而非完整的广义相对论计算。
  4. 4团队指出视觉理解是弱点马斯克说图像理解和生成需要改善,并介绍正在训练的新基础模型。
  5. 5Vending-Bench 长时间测试模拟经营基准演示者介绍库存、供应商和定价决策,并报告 Grok 4 在模拟中的较高成绩。

要点建议

  1. xAI 介绍了 Grok 4 的工具使用训练,以及 Heavy 版本中的多智能体协作。
  2. 团队演示了浏览器可视化和模拟售货机生意;前者明确采用了物理近似。
  3. 马斯克指出图像理解是弱点,并将后续改善列为未来工作。
全文

按章节阅读整理后的全文

只看原始文稿
01

Grok 4 训练与推理测试

马斯克和 xAI 团队介绍模型、强化学习训练以及 Humanity’s Last Exam。

马斯克在 2025 年 7 月的 Grok 4 发布会上开场,表示团队将展示基准测试结果和模型推理示例。

马斯克说,从 Grok 2 到 Grok 3 再到 Grok 4,训练规模大幅增加。团队区分了预训练算力,以及用于强化学习和推理的算力。

演示者介绍如何扩大训练规模,并使用结果可以验证的问题来奖励正确推理。他们将模型改进部分归因于增加了强化学习算力。

团队介绍了 Humanity’s Last Exam:该基准包含 2,500 道由专家编写的题目,涉及数学、科学、工程等领域。他们举了范畴论、化学和语言学题目的例子。

Humanity’s Last Exam 学科分布
幻灯片 1 / 4Humanity’s Last Exam 学科分布发布会幻灯片介绍该基准的学科分布及其 2,500 道题目。

马斯克认为模型在多个学科的学术题目上表现出色。他承认模型有时缺乏常识,当时尚未发明新技术或发现新物理规律;他预测这些能力将随后出现。

一名 xAI 演示者说,增加训练算力提高了考试成绩。团队还专门训练模型使用工具,而非仅在没有专项训练的情况下提示它使用工具。

02

工具使用、安全和多智能体

团队讨论工具使用训练、安全目标及多智能体 Heavy 版本。

马斯克说,与特斯拉或 SpaceX 使用的工程软件相比,现有工具使用能力仍然有限。他设想未来让 AI 使用更强的模拟工具,以及与物理世界互动的机器人。

马斯克讨论 AI 安全,主张模型追求真相。他将这一挑战比作向一个未来可能远超自己的孩子灌输价值观。

马斯克设想了规模大得多的未来经济,以及行星或恒星级别的可用能源。他说,自己认为 AI 最有可能带来益处,同时承认存在不确定性。

团队介绍训练数据方面的挑战:强化学习需要有难度的问题,以及区分答案正确与否的可靠信号。随着模型进步,寻找足够多的难题会更加困难。

马斯克说,现实世界的结果可以检验 AI 提出的想法,例如火箭能否入轨、汽车能否运行或药物是否有效。

演示者说,增加测试时算力可以提高表现。马斯克介绍 Grok 4 Heavy:多个智能体独立工作,比较各自的方法,再给出答案。

一名演示者启动了一道考试题和一个使用 Grok 4 Heavy 的预测市场研究任务。团队说,后者将研究美国职业棒球队赢得世界大赛的概率。

03

现场演示与基准比较

演示者展示数学题、预测市场研究和简化的黑洞可视化。

另一名演示者展示两个黑洞合并的可视化效果。他说,浏览器动画为了便于观看而夸大了引力波,并使用近似方法,而非完整的广义相对论计算。

黑洞可视化演示
幻灯片 2 / 4黑洞可视化演示演示者解释,浏览器动画夸大了波动效果并简化了物理过程。

演示者说,模型搜索了资料,并考虑了可视化所需的常数。马斯克提出,未来可以让模型连接物理研究人员使用的模拟工具。

团队回到数学任务,介绍模型的工作过程,还展示了收集历次基准发布和结果的研究任务。

发布会展示的 Humanity’s Last Exam 结果
幻灯片 3 / 4发布会展示的 Humanity’s Last Exam 结果xAI 图表比较了多个模型在完整基准上使用和不使用工具时的报告成绩。

演示者展示包含图像题的 Humanity’s Last Exam 全集结果。马斯克说视觉理解是弱点,并介绍正在训练的另一个基础模型,希望以此改善。

Heavy 研究演示给出道奇队赢得世界大赛的概率估计为 21.6%。演示者说模型查阅了赔率网站,使用了约四分半钟的计算时间。

团队展示更多数学、科学和编程基准。这些是 xAI 在发布会上展示的结果,比较对象和测试条件列在幻灯片上。

演示者介绍 Grok 4 和 Grok 4 Heavy 的使用方式,并说直播演示期间限制了使用量。他们将 Heavy 描述为可让多个研究智能体协作完成任务。

04

语音、API 与模拟售货机经营

团队演示语音互动,讨论 ARC-AGI,并展示 Vending-Bench 结果。

团队介绍更新后的语音选项,并演示一个英国口音的声音回应对话提示,包括耳语和唱歌的请求。

演示者在简短语音互动中比较响应时间和打断情况。他们说已经降低延迟,并计划继续改善体验。

团队说 Grok 4 也通过 API 提供。他们展示 ARC-AGI 结果,并说该评估由一位提前获得访问权限的独立测试者进行。

xAI 展示的 ARC-AGI 结果
幻灯片 4 / 4xAI 展示的 ARC-AGI 结果发布会幻灯片比较多个模型在 ARC-AGI 上的报告准确率和成本。

Vending-Bench 项目的代表介绍了模拟自动售货机生意的测试。模型需要在较长的一系列决策中管理库存、联系供应商并设定价格。

基准测试的演示者报告,Grok 4 在模拟中的净资产高于他们测试过的其他模型。他们强调结果的一致性,以及在接近真实工作的场景中测试 AI 的价值。

xAI 团队介绍研究和金融领域的早期示例,并说 API 支持 256,000 token 的上下文。他们将这些描述为开发者刚开始探索的应用。

05

应用和未来模型计划

演示者讨论研究、游戏、编程以及多模态和视频能力的改进计划。

游戏开发示例展示了一款在模型协助下制作的第一人称游戏。演示者强调,寻找和准备素材与编写游戏逻辑同样重要。

马斯克说,未来模型需要更好的视频理解能力,才能玩游戏并评估游戏。他预测游戏和视频创作能力会改善,并将时间表表述为预期。

团队说,专门的编程模型正在开发,并指出多模态理解仍需改善。他们介绍了未来加强图像、视频和音频能力的计划。

演示者讨论未来的视频生成模型和可能的互动内容。马斯克说,训练预计会在接下来几周内开始,随后团队结束发布会。

同频道的其他文章