馬斯克又大嘴了！Grok 4 真實(shí)水平曝光，多項(xiàng)實(shí)測翻車，連前端都搞不定，還談什么AGI？網(wǎng)友怒評：上當(dāng)了，花 原創(chuàng)
編輯 | 云昭
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
上周，Grok 4 的發(fā)布給這個盛夏帶來了一片狂熱。
但太陽底下無新事，宣傳往往大于實(shí)際。
在發(fā)布直播中，馬斯克宣稱這是“目前地表最強(qiáng)的 AI”，不僅全面超越了所有競爭對手，還在多個測試中打敗了人類，比如所謂的 “人類終極考試”（Humanity’s Last Exam）、ARC-AGI 測試、Vending Bench 等。
不過，這些基準(zhǔn)測試本身就非常局限，無法真正反映 AI 在日常使用、安全性或通用推理能力方面的表現(xiàn)。
小編近幾天發(fā)現(xiàn)了一位寶藏 Youtube 博主，最近對 Grok 4 的實(shí)際體驗(yàn)做出了非常全面的反饋。事實(shí)證明：馬斯克又一次大嘴了！
“在過去幾天里，我發(fā)現(xiàn)，Grok 4 在多個真實(shí)場景測試中表現(xiàn)平平，甚至在關(guān)鍵領(lǐng)域排名靠后”。
更令人擔(dān)憂的是，它在價(jià)值觀、內(nèi)容控制上出現(xiàn)了嚴(yán)重問題。
以下，是一份“可能會被馬斯克剪掉的”真實(shí)評價(jià)清單。
01、真正的測試場，Grok 4 沒“考好”
1. LiveBench：算不上頂尖
有網(wǎng)友認(rèn)為，LiveBench 是最能檢驗(yàn) AI 是否真正“聰明”的評測平臺，涵蓋數(shù)學(xué)、編程、推理、語言、指令執(zhí)行、數(shù)據(jù)分析六大方向。
這里科普一下。
LiveBench 是一個高度動態(tài)且無污染的測試平臺，專門評估大語言模型在真實(shí)世界任務(wù)中的表現(xiàn)。它不同于傳統(tǒng)靜態(tài)測試——模型可能在訓(xùn)練中“見過”的題目——LiveBench 每月都會從 arXiv、新聞文章、編程比賽等來源發(fā)布全新、模型從未見過的測試任務(wù)。
具體可以看下這六大方向的測試題目：
- 數(shù)學(xué)（如 AMC、AIME、IMO 級別題目）
- 編程（如 LeetCode、AtCoder、代碼補(bǔ)全）
- 推理（邏輯題、BigBench 變體）
- 語言（如糾錯、語序調(diào)整）
- 指令執(zhí)行（如總結(jié)、改寫）
- 數(shù)據(jù)分析（類似 Kaggle 表格任務(wù)）
所以，用 LiveBench 可以檢測出模型“究竟是真聰明，還是只是背得多”。
可以看出，Grok 4 其實(shí)在編程和 Agentic 編程方面并沒有很優(yōu)秀，甚至在o3、Claude4 等多款模型的對比中敗下陣來，推理方面取得了最高分。
可以說，Groke 4 雖然不差，但算不上頂尖。
2. 創(chuàng)意寫作測試
這個測試重點(diǎn)評估語言模型創(chuàng)作原始內(nèi)容（如小說、詩歌、對話）的能力，看它是否能生成富有情感、風(fēng)格統(tǒng)一的文本。
難點(diǎn)在于：
- 沒有“標(biāo)準(zhǔn)答案”，完全靠創(chuàng)造力；
- 需要情緒表達(dá)，而不僅僅是語法正確；
- 對長文本的風(fēng)格控制要求極高。
在這一維度上，Grok 4 表現(xiàn)中規(guī)中矩，遠(yuǎn)遠(yuǎn)不是“最強(qiáng) AI”，大致處于“平均水平”。
3. DesignArena（設(shè)計(jì)任務(wù)）
盡管馬斯克吹噓 Grok 4 是個“編程怪獸”，但它在前端開發(fā)任務(wù)上表現(xiàn)并不理想，遠(yuǎn)不如 Claude 4。
在這個評測中，Grok 4 連前五名都沒進(jìn)，特別是在 UI 和前端生成上，表現(xiàn)平庸。
4. SVG 圖像生成
在 SVG 圖形生成任務(wù)中，Grok 4 表現(xiàn)尚可，但依舊稱不上出色。從數(shù)據(jù)來看，OpenAI 的 o3 模型和 Google 的 Gemini-Pro 2.5 表現(xiàn)更優(yōu)。
所以，不管是 Vibe Coding，還是前端設(shè)計(jì)，又或者是創(chuàng)意寫作，Grok 4 都在基準(zhǔn)測試中表現(xiàn)平平，更不用說是“地表最強(qiáng)”了。
02、不止是測試平平，Grok 4 在多個層面都出問題了
眾所周知，Grok 近期一直被推友們詬病，說它存在嚴(yán)重的倫理偏見和內(nèi)容失控的現(xiàn)象。還記得系統(tǒng)提示詞修改錯誤導(dǎo)致的“白人種族滅絕”的烏龍事件嗎？
在這次的新版本的 Grok 4 模型中，這些問題依舊沒有得到解決。
從一些用戶上傳的截圖來看，Grok 4 出現(xiàn)了嚴(yán)重的倫理與價(jià)值觀問題，甚至令人震驚：
1.馬斯克個人偏見
面對烏俄戰(zhàn)爭這類嚴(yán)肅問題，Grok 4 居然轉(zhuǎn)向宣傳馬斯克的個人觀點(diǎn)，而非給出中立分析。
2.納粹式言論
模型在沒有任何諷刺或批判語氣的前提下，美化一個叫“機(jī)甲希特勒（MechaHitler）”的角色，使用極端右翼語言，令人不安。
甚至，今天剛剛的消息，馬斯克的 xAI 因 Grok 的“恐怖”反猶太主義帖子都要面臨歐洲的審查。
3.性騷擾對話
Grok 4 在一次用戶測試中，參與了一段種族歧視意味明顯的性暗示對話，涉及對象居然是其“CEO”（即馬斯克本人），且沒有任何屏蔽或阻止機(jī)制。
03、用戶怒評：“我花錢買的是個笑話”
正如 Reddit 上一篇爆紅的熱帖所說，很多用戶覺得自己被 Grok 4“忽悠了”，花錢買了個表現(xiàn)遠(yuǎn)遜預(yù)期的模型。
具體反饋包括：
- 無法從復(fù)雜 PDF 中提取結(jié)構(gòu)化數(shù)據(jù)（OCR 失敗）；
- 圖像識別錯誤：看不出名勝古跡的位置（誤差高達(dá) 200 公里）；
- 車牌國別識別失?。▽⒏鲘u車牌誤判為意大利）；
- 非洲語方言寫作質(zhì)量差（語法錯誤多，流暢性差）；
- 網(wǎng)站生成能力弱（WhatsApp 插件無法使用、頁面布局錯誤、整體設(shè)計(jì)質(zhì)量低）。
04、AGI 還遠(yuǎn)，Grok 4 言過其實(shí)
Grok 4 不是 AGI，也不是什么“革命性”的產(chǎn)品。 它不是最聰明的 AI，甚至可能不是這個季度最聰明的聊天機(jī)器人。它是一個中等水平的語言模型，被營銷、粉絲濾鏡和馬斯克的 X 平臺宣傳所推高。
在真正重要的任務(wù)中，Grok 4 不是最好，也不是“能用即用”的安全模型。如果你認(rèn)為它代表 AI 的未來，你相信的是宣傳，不是技術(shù)。
“比人類還聰明”？別開玩笑了。
Grok 4 連最聰明的聊天機(jī)器人都算不上。
好了，今天這篇文章就到此結(jié)束了。其實(shí)但凡新品發(fā)布會，發(fā)布者很難不用一些夸張的詞語，這一點(diǎn)屢見不鮮?！按笞臁笔桨l(fā)言，大家聽歸聽，還是得上手試一下，才能見分曉。
問一嘴，你有見過哪些不錯的發(fā)布會，算是名副其實(shí)的發(fā)布呢？可以評論區(qū)交流。
參考鏈接：
??https://www.youtube.com/channel/UCQoNosQTIxiMTL9C-gvFdjA??
本文轉(zhuǎn)載自??51CTO技術(shù)棧??，作者：云召
