Grok 3 Beta — 推理智能体时代的开启

2025年2月19日

我们很荣幸地宣布 Grok 3 的早期预览版本。作为我们迄今为止最先进的模型，Grok 3 将卓越的推理能力与海量的预训练知识完美融合。这个模型在我们的 Colossus 超级计算集群上训练，其计算规模是此前最先进模型的10倍，在推理能力、数学运算、编程、知识储备和指令遵循等多个方面都实现了显著突破。

通过大规模强化学习，Grok 3 的推理能力得到了极大的提升。它能够像人类思考问题一样，用几秒到几分钟的时间进行深入思考，在这个过程中不断纠正错误、探索多种可能性，最终得出准确的答案。在学术基准测试和真实用户偏好评估中，Grok 3 都展现出了领先的性能，在 Chatbot Arena 评测中获得了 1402 的 Elo 评分。

与此同时，我们还推出了 Grok 3 mini，这是一个在成本效益方面开创新局面的模型。目前这两个模型都处于训练阶段，将根据用户反馈持续快速进化。我们计划在未来几天内向用户推出 Grok 3，让大家能够亲身体验其强大的推理能力。

深度思考：测试时计算与推理能力的突破

今天，我们正式发布两个测试版推理模型：Grok 3 (Think) 和 Grok 3 mini (Think)。这两个模型采用了前所未有规模的强化学习来优化其思维链条过程，以数据高效的方式实现了先进的推理能力。通过强化学习，Grok 3 (Think) 掌握了多项关键能力：优化问题解决策略、通过回溯纠正错误、简化解决步骤，以及充分利用预训练过程中获得的知识。

Grok 3 (Think) 的工作方式与人类解决复杂问题时很相似：它会投入几秒到几分钟的时间进行深入思考，往往会考虑多种解决方案，验证自己的解答过程，并仔细评估如何精确满足问题要求。

尽管这两个模型仍在训练过程中，但它们在各类基准测试中已经展现出了令人瞩目的性能。我们相信，这代表了人工智能推理能力的重要突破，我们期待看到用户们如何运用这些新模型来解决各种挑战。

深入解读：LiveCodeBench 基准测试

为了帮助读者更好地理解 AI 编程能力的评估标准，这里我们介绍一下 LiveCodeBench，这是一个专门用于全面评估大语言模型代码能力的基准测试系统。LiveCodeBench 的特点在于它提供了无污染的测试环境，通过持续从 LeetCode、AtCoder 和 CodeForces 等平台收集新的编程问题来保持测试数据的时效性。

LiveCodeBench 的评估维度包括：

代码生成能力：模型需要根据自然语言描述和示例测试（输入-输出对）生成正确的程序代码。
自我修复能力：评估模型发现和纠正代码错误的能力。
测试输出预测：检验模型是否能准确预测给定测试用例的预期输出。
代码执行能力：评估模型生成的代码在实际运行环境中的表现。

这种全方位的评估方法不仅考察了模型的基础编程能力，更重要的是评估了模型在实际编程场景中所需的综合能力，这对于下一代 AI 编程助手的发展具有重要的指导意义。通过这样的基准测试，我们能够更客观地评估像 Grok 3 这样的大型语言模型在代码相关任务上的真实能力。

本文为 gang/刚戈撰写，采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。