xAI 发布 Grok 3 Beta：推理增强，Chatbot Arena Elo 达 1402

我们非常激动地推出 Grok 3 的早期预览版，这是我们迄今为止最先进的模型，将卓越的推理能力与广泛的预训练知识融为一体。

来自 xAI 的下一代智能

我们很高兴推出 Grok 3，这是我们迄今为止最先进的模型：将强大的推理能力与广泛的预训练知识融为一体。 Grok 3 在我们的 Colossus 超级集群上进行训练，计算量是之前最先进模型的 10 倍，在推理、数学、编程、世界知识和指令遵循任务方面展现出显著提升。 Grok 3 的推理能力通过大规模强化学习得到精炼，使其能够思考数秒到数分钟，纠正错误、探索替代方案并给出准确答案。Grok 3 在学术基准和真实用户偏好方面均具有领先表现，在 Chatbot Arena 中取得了 1402 的 Elo 分数。与此同时，我们还推出了 Grok 3 mini，它代表了高性价比推理的新前沿。这两个模型仍在训练中，并将根据你们的反馈快速演进。我们将在未来几天内向用户推出 Grok 3，以及其推理能力的早期预览版。

更深入地思考：测试时计算与推理

今天，我们宣布两个 beta 推理模型：Grok 3 (Think) 和 Grok 3 mini (Think)。它们使用前所未有规模的强化学习（RL）进行训练，以精炼其思维链过程，从而以数据高效的方式实现高级推理。通过 RL，Grok 3 (Think) 学会了改进其问题解决策略、通过回溯纠正错误、简化步骤，并利用其在预训练期间获得的知识。就像人类在解决复杂问题时所做的那样，Grok 3 (Think) 可以花费几秒到几分钟进行推理，常常会考虑多种方法、验证自己的解决方案，并评估如何精确满足问题的要求。

这两个模型仍在训练中，但它们已经在一系列基准测试中展现出卓越表现。我们在 2025 年美国数学邀请赛（AIME）上测试了这些模型，该考试于 2 月 12 日、也就是仅仅 7 天前发布。在我们最高水平的测试时计算（cons@64）下，Grok 3 (Think) 在该竞赛中达到了 93.3%。Grok 3 (Think) 在研究生水平专家推理（GPQA）上也达到了 84.6%，在用于代码生成和问题解决的 LiveCodeBench 上达到了 79.4%。此外，Grok 3 mini 在不需要那么多世界知识的 STEM 任务中，达到了高性价比推理的新前沿，在 AIME 2024 上达到 95.8%，在 LiveCodeBench 上达到 80.4%。

AIME’25

竞赛数学

AIME’24

竞赛数学

GPQA

研究生水平 Google-Proof Q&A（Diamond）

LCB

代码生成：2024/10/1 - 2025/2/1

MMMU

多模态理解

要使用 Grok 3 的推理能力，只需按下 Think 按钮。 Grok 3 (Think) 的思维完全开放，使用户不仅能够查看最终答案，还能检查模型本身的推理过程。我们发现 Grok 3 (Think) 的表现能够泛化到多样的问题领域。以下是一些 Grok 3 推理示例。

研究样本

创建一个融合两款经典游戏的游戏。用 pygame 制作，并让它看起来漂亮。

以下是您查询的完整解决方案：一个名为“Break-Pong”的 Pygame 游戏，它结合了 Pong 和 Breakout 的元素。在这个游戏中，两名玩家控制屏幕两侧的球拍，击球以打破中央的砖墙。通过打破砖块和让球越过对手的球拍来得分。游戏包含流畅的动画、色彩丰富的图形和粒子效果，使其在视觉上更具吸引力。以下是实现：

代码实现

python

如何运行

确保您已安装 Python 和 Pygame（pip install pygame）。
将代码复制到一个 .py 文件中（例如 break_pong.py）。
使用 Python 运行该文件（例如 python break_pong.py）。

游戏玩法说明

Controls:
- 左侧球拍：W（上），S（下）
- 右侧球拍：Up Arrow（上），Down Arrow（下）
目标：打破中央墙壁上的砖块，并通过让球越过对手的球拍来得分。首先获得 50 分者获胜。

特性

Pong 元素：两个球拍来回弹球，当球越过对手的球拍时得分。
Breakout 元素：一堵砖墙，球撞击时可以打破。
Visual Appeal:
- 流畅的球拍和球运动。
- 色彩丰富的砖块（红色、绿色、蓝色）随机分配。
- 砖块破碎时的粒子效果，粒子逐渐淡出，呈现动态外观。
- 清晰的得分显示和游戏结束消息。

增强功能

为了使其更美观或更吸引人，可以考虑：

添加音效（例如，弹跳声、破碎声）。
实现从特殊砖块中释放的道具（例如，更大的球拍、更快的球）。
添加背景渐变或图案。
包括开始菜单和更平滑的过渡。

此实现提供了一个有趣、视觉上吸引人的 Pong 和 Breakout 混合体，满足了您的要求！享受玩“Break-Pong”吧！

大规模预训练

关闭推理功能后，Grok 3 能即时提供高质量响应。在非推理模型中，Grok 3 在多样化的学术基准测试中取得了最先进的结果，包括：研究生级别的科学知识（GPQA）、常识（MMLU-Pro）、数学竞赛问题（AIME）。Grok 3 在图像理解（MMMU）和视频理解（EgoSchema）任务中也表现出色。

基准测试	Grok 3 Beta	Grok 3 mini Beta	Gemini 2.0	DeepSeek-V3	GPT 4o	Claude 3.5 Sonnet
AIME’24	52.2%	39.7%	—	39.2%	9.3%	16.0%
GPQA	75.4%	66.2%	64.7%	59.1%	53.6%	65.0%
LCB	57.0%	41.5%	36.0%	33.1%	32.3%	40.2%
MMLU-pro	79.9%	78.9%	79.1%	75.9%	72.6%	78.0%
LOFT (128k)	83.3%	83.1%	75.6%	—	78.0%	69.9%
SimpleQA	43.6%	21.7%	44.3%	24.9%	38.2%	28.4%
MMMU	73.2%	69.4%	72.7%	—	69.1%	70.4%
EgoSchema	74.5%	74.3%	71.9%	—	72.2%	—

凭借 100 万 token 的上下文窗口——比我们之前的模型大 8 倍——Grok 3 可以处理大量文档并处理复杂提示，同时保持指令遵循的准确性。在针对长上下文 RAG 用例的 LOFT (128k) 基准测试中，Grok 3 取得了最先进的准确率（在 12 个多样化任务中平均），展示了其强大的信息检索能力。

Grok 3 还展示了改进的事实准确性和增强的风格控制。在代号 chocolate 下，Grok 3 的早期版本登上了 LMArena Chatbot Arena 排行榜榜首，在所有类别中的 Elo 分数均优于所有竞争对手。随着我们继续扩展，我们正准备在我们的 200,000 GPU 集群上训练更大的模型。

Grok 代理：结合推理与工具使用

为了理解宇宙，我们必须让 Grok 与世界交互。配备代码解释器和互联网访问，Grok 3 模型学会查询缺失的上下文，动态调整其方法，并根据反馈改进其推理。

作为实现这一愿景的第一步，我们正在推出DeepSearch——我们的首个智能体。它是一款快如闪电的 AI 智能体，旨在对人类全部知识体系发挥作用。DeepSearch 的设计目标是综合关键信息、对相互冲突的事实与观点进行推理，并从复杂中提炼清晰。无论你需要获取最新实时新闻、寻求关于社交困扰的建议，还是进行深入的科学研究，DeepSearch 都将带你远远超越浏览器搜索。它最终总结追踪的结果是一份简洁而全面的报告，帮助你跟上这个永不停歇的世界。