Grok 3 很强

[LaTero]

我没给马斯克充钱，所以只能在 LMArena 上免费试试。虽然输出经常会被截断，但是可以感觉它还是挺强的。随便测了几个问题，非思考模型能达到 o3-mini 的水平。比如我经常用来测新模型的问题：给一台发射固定速率炮弹的炮台设计瞄准程序，能按目标的速度进行线性预判。并不算是什么难题，而是有实用价值的工作中能经常见到的问题。这个问题有两个需要注意的点：1. 在炮弹移动时，目标也会移动。不能用目标当前距离来估算 time to hit 。2. 359°和 1°只差了两度：往负方向（左手系就是顺时针）旋转 2°即可，不需要往正方向旋转 358°。

主流模型中，除了 Grok 3 之外的非思考模型全挂。以上提到的两点均错误。思考模型中，OpenAI 家的 o3-mini 完全正确，所以我就没浪费前去测 o1-pro 了。谷歌家的 Flash Thinking 和 Deepseek R1 搞定了第一点，第二点错误。Grok 3 是非思考模型中唯一一次两点都做对了的。而且这还是非正式版。现在出了的是 mini 版，普通版还在训练中，和 Gemini 的 experimental 模型性质差不多。LMArena 的是 mini 还是未完成的普通版还不清楚，但是效果真的不错：在 https://lmarena.ai/里点“Direct Chat”即可试用。

[p7IySTldqB]

今年 AI 大爆发令人兴奋。

[chipipi]

“工作中常见到的炮弹问题”

[Satansickle]

咋？老哥是华为驻非洲工程师？

[paopjian]

妈耶, 老哥是军工设计师么, 为什么会有弹道预测的问题

[mingtdlb]

怎么认为他很强？

[mingtdlb]

@mingtdlb 我随便问的

[pppcx]

@mingtdlb #5
大部分人判断 ai 强不强都是用自己比较专业的领域去问 ai 看回复是否和自己判断类似

[me1onsoda]

大模型好像都是发布一开始强无敌，然后开始降智了。大模型质量问题，应该要有个监管的机制。

[lthon]

还在等 Claude 4

[sunny352787]

哈哈哈哈哈哈这例子要吓死了，其实是做游戏的吧？

[LaTero]

@chipipi
@sunny352787
@Satansickle 做游戏的

[LaTero]

@mingtdlb 判断字符本来就不是 AI 该做的事，因为原理上 AI 收到的都是 token ，一个 token 可能有好几个字。而且假如真的有了 AGI ，和人类一样的智力水平，你觉得它会浪费算力去数吗？假如是一个聪明的人类，他应该做的是使用工具。AGI 也应该是写一个程序去数，不是自己数。最近 AI 进步也都是在数学、逻辑推理等方面。

[phinex]

@LaTero 哈哈 不是还以为是军工大佬

[hiveex]

Poe 用户等上线体验

[pizone]

不知什么时候能用上 Grok 3 的 api ，还是有点期待。

[CodeAllen]

没必要问 AI 字符问题，这个跟 NLP 的 token 分词技术有关系，没什么意义。
这就有点像一个人口头问你，计算“饕餮盛宴”这几个字有几个笔画，能当面正确写下这四个字的人都不多吧，还得数笔画，有什么意义？

[sunny352787]

@LaTero 哎，同行的敏锐性～

[stone9527]

你问它，5.21 和 5.3 谁大

[LaTero]

@stone9527 没问题呀，现在主流的模型这个都不会错的吧。我平时主用 openrouter ，这个网站的 chatroom ，预设的几个问题就有 9.9 和 9.11 哪个大，还有 strawberry 里几个 r 。后者还有些模型会错，但是前者这样比大小的基本都是没问题的。

[pkoukk]

强是很强..
但是老🐴用了快 10 万张 h100 ，居然只获得了 1400 分出头，仅仅比 R1 强 40 多分，3%左右
而且这么大的训练规模，预计参数量也不小，推理消耗估计也挺大
有点不及预期了

[br00k]

试了下，感觉没有多少差距。不及预期。

[me1onsoda]

@pkoukk 不是说 20w ，要加到 100w 吗

[yukino]

要不你跟隔壁 openai 楼的老哥打一架

[kaedea]

做一下今年考公的行测题试试

[Ehend]

编程领域感觉不如 chatgpt 和 deepseek

[gitxuzan]

编程方面不行，比 gpt 差

[gitxuzan]

deepseek 如果有这么强的算力，不是要排行老大了。