刚刚，在延迟一个多小时后，马斯克发布了 xAI 的新一代大模型系列——Grok 4 和 Grok 4 Heavy。总结下来，有以下看点：

1.Grok 4 在“人类最后的考试”（HLE）中的表现远超其他 SOTA 模型。具体而言，在使用工具（with tool）的情况下，Grok 4 可以取得 38.6% 的成绩，Grok 4 Heavy 的分数提升至 44.4%，如果再加上测试时阶段的更多思考，这一分数最高为 50.7%。

2.在 GPQA、AIME25、LCB (Jan-May)、HMMT25 和 USAMO25 等 benchmark 中，Grok 4 Heavy 均取得了 SOTA，甚至在 AIME 25 中取得了满分的成绩。

3.在评估模型通用推理能力的超难基准 ARC-AGI 中，Grok 4 依然取得了 SOTA，在 ARC-AGI-2 上达到 15.9%，远超第二名的 8.6%。

4.在 Vending-Bench中，Grok 4 的表现也超过了 Claude Opus 4 和人类，实现了 SOTA。

5.根据 Artificial Analysis 分享的全套基准测试成绩，Grok 4 系列模型已经成为“当前领先的 AI 模型”，获得了 73 分的 SOTA 成绩，超过了 o3 的 70 分、Gemini 2.5 Pro 的 70 分、Claude 4 Opus 的 64 分和 DeepSeek R1 0528 的 68 分。

此外，马斯克团队还展示了 Grok 4 在游戏方面的能力——只需 4 小时就可以制作一款 AI 可独立运行的游戏。

在直播中，马斯克还自信地表示，Grok 4 已经是世界上最好的 AI，可以在今年内实现科学新发现。“如果它今年没有发现新科学技术，我会感觉很意外的。”