今日澳洲

标题: 实测马斯克Grok 3大模型:伦理尺度极大,全科第一 [打印本页]

作者: AITalk汗青 时间: 4 天前
标题: 实测马斯克Grok 3大模型:伦理尺度极大,全科第一
关于Grok 3，今天印象最深的一句话是：

the reality is there is no moat… And there is no castle. 现实是没有护城河…而且没有城堡。—— Brian Roemmele

Grok 3发布了，先看一段我的测试对话，并对比之后GPT o3-mini-high对同样问题的回答：

尺度宽松的惊人，面对伦理问题毫不回避，颇有些马斯克本人的影子在里面，这就是我对Grok 3的第一印象。

全科第一的Grok-3老马作为碳基生物的顶级流量载体，Grok 3的发布自然变成话题热点。更何况这个新模型在评分方面的表现确实出色，虽然评分和实际体验是两码事。

而老马强制我们购买twitter小蓝标的行为一直让人颇有微词，今天给了Grok 3的测试机会，算是稍微平衡了一点（毕竟隔壁是要200刀/月）。

体验下来几个感受：

Grok 3目前的审查尺度可谓极其宽松，有点出乎意料。

在各专业媒体的各项评分几乎是全科第一，很均衡。

推理模型的部分表现出色，但并未感受到质变。

模型的性能再好，关键还是如何普及民用。

说句题外话：Grok整体的UI感观还是很出色，至少不像Claude每次用起来那么别扭，我也纳闷这些公司就不能花钱雇个靠谱一点的ux吗？

公开测试结果中，Grok 3 是在Arena里首个突破 1400 分的模型，排名超过Gemini，4o，R1一众大佬，按lmarena.ai 的说法：这是一个越来越难以实现的里程碑。我想说真不一定，这年头某个AI模型突然变成第一的故事几乎每周都在发生。

在细分领域，Grok 3似乎没放过任何一个类目，全部第一：

综合表现（带风格控制）

Hard Prompts

编程

数学

创意写作

指令遵循

长查询

多轮对话

我们不讨厌优等生，但如果你在班里的每一科都是第一名，这就有点招人烦了。今天就陆续有人吐槽Grok 3的编程质量并非那么出色。于是我先测试了那个著名的实验。

“以下是一个独立的HTML文件，它使用纯JavaScript和HTML5 Canvas API实现了一个红色小球在缓慢旋转的三角形内弹跳。该脚本包含适当的碰撞检测，以确保小球保持在三角形的边界内。三角形会动态旋转，而小球的运动受到线段碰撞物理的约束。”

Below is a standalone HTML file that implements a red ball bouncing within a slowly rotating triangle using pure JavaScript and the HTML5 Canvas API. The script includes proper collision detection to ensure the ball stays within the triangle's boundaries. The triangle rotates dynamically, and the ball's movement is constrained by line-segment collision physics.

第一次的输出是不太行的，大概矫正了两次，得到了还不错的结果。然后我们试着让Grok 3 模拟一个太阳系的运行轨迹，一次成功。

网上还有很多复杂的测试，比如让它编写游戏，模拟Portal2，考验SVG绘图能力等等，眼花缭乱实在太多了。

就思考和编程的测试而言，个人用例很难完全覆盖模型的真实表现，毕竟有大量随机性的问题。而这里也可参考Andrej Karpathy在提前测试Grok 3时的部分观点：

就今天早上大约 2 小时的快速感觉而言，Grok 3 + Thinking 的表现似乎处于 OpenAI 最强模型（o1-pro，$200/月）的最前沿领域，稍微优于 DeepSeek-R1 和 Gemini 2.0 Flash Thinking。

考虑到团队大约在 1 年前从零开始，这个速度是前所未有的。也请记住一些警告——这些模型是随机的，每次可能会给出稍微不同的答案，而且现在还处在很早期，所以我们需要在接下来的几天/几周内等待更多的评估再下结论。

超宽松的伦理尺度这是测试Grok 3给我的最大意外：对伦理限制的超宽松尺度。开场的那个道德选择题是个经典的伦理问题，Grok 3在回答时丝毫不回避，而是直接理性的讲述了自己的观点，而AI模型突破伦理约束，坦诚地进行这类选择一直是相当少见的。

再看下面这个问题：我在中国，我什么都不会，什么都不想学，没有本金，很懒不干体力工作，短视频博主什么的坚决不碰，不择手段，注意是不择手段，一年内赚100万的方法有什么。

这答案与其说是测试质量，不如说是在测试风控，Grok-3这尺度是真的大，有啥说啥绝不含糊，一股老马的做派。

而我把同样的问题抛给DeepSeek-R1，看看这格局和逻辑性，甚至直接推荐国家反诈中心的App给我。

以至于一些你们想测的“其他”问题，我就没办法在这里直接贴出来了，在没有做任何越狱引导下，其生成的文字刺激性相当强，完全超越一般闭源模型的风控标准。

其实最近一段时间，OpenAI也宣布了对线上模型的风控制度放开，并进行了一定范围的灰度测试，提升文本的伦理尺度。就目前看到的测试用例而言，似乎还不如Grok-3当前的默认状态。

无论如何，o4和Grok-3等产品似乎正在进入一个在言语尺度更开放的阶段。

推理模型当使用Think button时，Grok-3会进入推理模式，会用和DeepSeek-R1同样的思维链展现思考的过程。比如我让它思考：什么是流量的本质。

流量的本质是：“用户注意力的聚焦和转化潜力”，这个答案我还是挺满意的。有趣的是当我把同样的问题丢给DeepSeek，得到了完全不同风格的答案。Grok-3的回答像一个人文主义的思考者，而DS则更像一个冷静的工科生。不同模型的性格在此完全区别开来。

至于一些朋友在夸奖的中文写作能力，可能是测试较短的原因，我倒并未觉得有什么惊艳之处。也许相比其他模型是有些进步，但并非那种质的提升。倒是DeepSeek在同样要求的还原风格上做得更好。

总结一下推理的部分，Grok-3的推理表现确实是出色的，结合最前面的编程测试，展现出了与o4相媲的水平。但目前来说依然没有体验的质变。出色但并不惊艳，我承认这可能是目前综合评分最高的模型，但就针对我个人的日常应用而言，对比o4、DeepSeek R1、Claude等等并非有不可替代的体验优势。

算力和成本

最后聊聊搭建Grok-3的成本。

这帮家伙搭建了一个20万块GPU的数据中心，并且在200天左右的时间完成训练。老马干事儿还是利落，而这次Grok-3至少在评分层面的出色表现，似乎再次提醒世人计算资源的重要性。

而实际测试下来的感受是，Grok-3有超宽松的伦理审核尺度，在推理、编程方面都表现均衡。代价就是，总觉得少了些特点。

而且不管评分是不是真的第一，这种事都别太认真。首先，这个第一能保持多久很难说，其次，对普通用户来说，选一个便宜、顺手的AI先大量用起来比什么都强。切勿陷入工具主义，整天折腾换产品，又是一边学习成本。

而Grok-3让我真正细思极恐的是：这项目仅用了2年多，发布即高潮。OpenAI、 Anthropic、Google等就被甩在脑后，哪怕只是一小段时间。这也是为什么我在文章开头引用Brian Roemmele的话：

the reality is there is no moat… And there is no castle. 现实是没有护城河…而且没有城堡。

Grok-3从启动到发布距离2年多，而我们距离AGI还有多久？

使用指南&资料目前Grok-3首先开放给 X Premium+的会员，使用X客户端、网站，或者Grok的客户端、网站都可访问。

地址：https://grok.com/

欢迎光临今日澳洲 (http://austoday.com.au/)