Grok 4 与 Heavy 实测：编程、图像、推理和实际问题

在 2025 年 7 月发布后的一天内，我对 Grok 4 和 Grok 4 Heavy 进行编程、长上下文检索、图像、推理和实际问题测试。我对部分较难任务选择 Heavy，其他任务使用普通模型。这些是非正式、主要为单次运行的演示，并非受控比较，也不能可靠地给所有模型排名。

首先，我要求 Grok 4 Heavy 编写二维稳定流体模拟，输出一股烟雾。约八分钟后，它生成代码和 500 张图片，我将其依次播放。烟柱卷曲并对墙壁作出反应；这在视觉上很有趣，但并非经过验证的科学流体求解器。

接着，我要求制作带滑块和障碍物的浏览器版本。界面让我改变黏度、扩散、时间步长和浮力，绘制障碍并重置模拟。我可以看到烟雾对障碍物作出反应，尽管视频没有测试数值准确性。

第二个编程提示要求在 HTML 画布中实现 Conway 生命游戏。第一个版本能运行，但控制项很少。后续请求增加了更新速度、网格尺寸、单元格大小及其他设置；我认为结果不错，同时承认自己并不理解每个控制项。

对于贸易流向的 D3 弦图，Grok 生成了一个包含四个国家的简单可视化，并提及数据来源。这不能证明显示的数值正确。之后要求添加动画，即使再次尝试，也没有按预期工作。

接下来，我要求制作一个通过追踪指尖控制的桌面绘图应用。第一个版本能跟随我的手，并通过张开手掌清除画面。随后加入的颜色选择既别扭又不可靠，但后来基于手势的版本让我能够选择颜色，虽然并非完全符合要求。

在我的尝试中，即使经过修改，模型也没有生成可见的魔方模拟。我认为它不如自己此前测试的 Gemini 2.5 Pro；这只是个案比较，并非普遍基准结果。

在长上下文检索测试中，我把测试密码插入一段很长的书籍摘录深处，要求模型找出它。模型返回了插入的字符串。在没有插入密码的第二个提示中，它找到了故事中使用的密码；我认为它区分了这两个例子，但这并非针对不同位置和文本的系统性测试。

图像生成产生了几个我认为尚可的卡通宇航员版本和雨滴场景。一幅关于猫与量子力学的两格漫画却出现破损，文字大多无法阅读。我没有确定底层使用了哪个图像模型。

为了测试迎合倾向，我描述了一个涉及辞职和抛弃孩子的不负责任计划。Grok 反对抛弃孩子，并讨论实际困难，而不是简单肯定计划。一次令人满意的回答不能证明行为始终一致，其法律和成本说法也不应被视为经过验证的建议。

我测试它如何处理违法行为请求。在这次运行中，它对一个车辆盗窃提示提供了详细信息，却拒绝了涉及非法毒品生产的请求。这些例子显示其边界并不一致；我不复述操作细节。

在图像理解测试中，我上传一个退役 Google TPU 展示物的照片，询问画面内容。模型描述了物体并读取标记，我认为结果正确。在另一张杂乱书桌照片中，它识别出许多物品和便条，我对照图片进行了检查。

我询问 Waldo 在海滩场景中的位置，并在 Grok 所描述的位置附近找到一个人物。回答界面还显示了网络来源，因此这是一个可能使用工具的特定场景中的成功观察，并非对纯视觉感知的干净测量。

我要求研究室温超导并提供引文，后来发现自己没有启用深度研究模式。我说答案读起来不错，但承认自己无法评估其科学摘要；视频没有独立核实引文和材料说法，也不能证明常压超导取得突破。

一个第一性原理提示要求为空间殖民地设计交换媒介并证明其稳定性。Grok 提议由中央管理数字积分，并给出数学推理。我觉得很有趣，但无法验证证明，也不知道类似论证是否出现在训练中；看起来形式严谨的答案本身并不是证明。

我给模型一个视觉 ARC 风格网格谜题，并要求它生成答案的可视化。结果与我对规律的理解不符。这个单独的视觉提示不同于官方 ARC 基准流程，因此其失败不能等同于基准得分。

在记忆测试中，一段字符串在同一对话经过几轮交流后被正确回忆出来。当我从另一个对话询问时，模型表示无法获取此前对话。这描述的是 2025 年 7 月该设置下观察到的行为，并非对未来记忆功能的永久保证。

我要求制作一份五页高管摘要，帮助评估是否投资 Tesla。内容涵盖财务表现、市场地位、风险和机会，我认为结构有用。其中事实及看似较新的信息并未在这里独立核实；输出也不是投资建议。

一个空间问题要求描述立方体绕三个轴旋转后的朝向。我用实物立方体检查，并认为答案相符。提示没有明确轴和旋转约定，因此结果应视为我的非正式检查，而非唯一确定的数学测试。

在单词谜题中，Grok 回答“strawberry”中有三个字母 r。一个自指的词数统计提示让 Heavy 花了数分钟；后来普通模型的一次回答在我的词数统计工具中恰好是 43 个词。这些孤立结果不足以说明类似提示的可靠性。

创意写作请求生成了一段赛博朋克黑色小说开头，并包含指定的结尾句。我喜欢这个结果，同时指出许多模型都能写创意文字；视频中没有核实要求的词数。

一个医疗案例描述急性胸痛、出汗、肌钙蛋白升高和心电图变化。Grok 判断为前壁 ST 段抬高型心肌梗死，我认为这对该情景是合理回答。这是假设测试，并非临床评估；对于真实心脏病发作警示症状，[美国心脏协会](https://www.heart.org/health-topics/heart-attack/warning-signs-of-a-heart-attack)建议立即呼叫急救，而不是等待 AI 回答。

针对四个圆盘的汉诺塔，模型输出移动表，然后生成可视化。我看到这些移动达到目标，认为演示成功。可视化检查的是这组特定序列，并非所有可能的推理任务。

最后，我要求模型为一位有 4 万美元积蓄、想从会计转向木工创业的人制定 12 个月计划。回答建议初期保留现有工作、保守预算、培养技能并设定里程碑。我认为该计划可作为起点，但成本和适用性取决于个人情况。

我邀请观众提出更多测试建议。总体结果有好有坏：在我的非正式试验中，几个原型和回答能够工作，而动画、魔方模拟、视觉谜题和图像文字暴露了局限。