马斯克的最贵 AI 首批实测结果令人失望，竟然出现了炸机的情况。与此同时，Grok4 则在一边被封神，一边又遭遇翻车。网友们纷纷表示，花费 2 万块钱换来的就是这样的结果吗？这不禁让人们对这些先进的人工智能技术产生了质疑。一方面，它们展现出了巨大的潜力和可能性，让人充满期待；另一方面，却又暴露出了稳定性和可靠性方面的问题。这也提醒着我们，在追求科技进步的道路上，还需要不断地努力和改进，以确保这些技术能够真正为人类服务。

本文来自微信公众号：APPSO （ID：appsolution），作者：发现明日产品的，原文标题：《马斯克最贵 AI 首批实测炸了！Grok 4 一边封神一边翻车，网友：2 万块就这？》

AI的舞台，从来不缺「新王登基」的剧情。

接连数月，模型一个接一个轮番登场，一个比一个自称炸裂。就拿昨天的Grok 4来说，马斯克放话「这是地球上最聪明的AI」，还没上线，就已经把话题度拉满了。

不过，Grok模型向来都是跑分没输过，体验没赢过。

如今，距离Grok 4的发布已经过去24小时，我们也搜集了网友分享的一些实测案例，让我们来一起看看这款模型究竟是真有本事，还是又一场火力全开的「高开低走」。

编程：高光与翻车并存

博主@mckaywrigley给Grok 4 Heavy提出了一道颇有创意的编程题。

让它用three.js创建一个动画，让一群人走来走去，最终排出「你好，世界，我是Grok」的字样，并完成一次镜头切换到鸟瞰视角。Grok只试了一次，就交出了一份意外惊喜的答卷。

整个过程中，Grok会主动从网上调用3D模型资源，并通过three.js在浏览器内构建整个场景。可以说，新版Grok在three.js、Blender等领域的表现有了很大升级。

当然，UI生成仍是不小的短板。用网友的话来说，「它不是最好的设计师，我真心希望它能在这方面赶上Claude Opus 4，但在逻辑建模和结构控制方面，它确实有一手。」

值得一提的是，Grok 4 Heavy能够并行调用多个智能体，各自独立工作，再汇总结果，从机制上保证输出质量。

博主@tetsuoai则直接把Grok 4拉去「上班」，让其扮演一名有15年经验的C语言老程序员，写个CLI工具来分类整理文件夹里的各种文件。

Grok的输出非常「地道」，不仅代码写法严谨，细节处理也尽显专业水准——比如用strrchr()提取后缀、用strdup()避免悬挂指针、边界值与隐藏文件也没落下，连大小写转换都用ctype.h标准库兜底。

接着，继续上强度。

他又让Grok设计一个基于DQN强化学习的2D自动驾驶模拟，从感知、训练、碰撞反馈一应俱全。Grok一次性给出完整代码，训练后的小车还能自主提速刷圈。

另一个测试来自@DirtyTesLa，他让Grok写了个网页小游戏，运行效果意外地顺滑，只是游戏个人实力拖了演示demo的后腿。

不过，Grok 4也存在一些实打实的翻车案例。

博主@karminski3拿出了自己的经典测试项目——一个20个小球在七边形中弹跳的三维物理测试。Grok跑了三次，两次直接显示语法错误，唯一一次成功运行的版本也仅仅「勉强可用」。

对比早期版本的DeepSeek-R1，Grok 4并未与其拉开明显的代差。

他随后追加了一个更具挑战性的测试：「烟囱爆破模拟」。

这是一项三维物理构建任务，用three.js创建一个烟囱结构，在底部添加爆破点，模拟倒塌效果。看似原理只涉及碰撞与重力，实则考验模型的指令理解、代码生成和交互设计能力。

好消息是，它的重力方向没弄错，倒塌效果基本成立；但烟囱处于「爆了一半」的状态，粒子模拟怪异，烟雾渲染模糊，光影效果粗糙，UI更是一言难尽——按钮是灰的，肉眼基本看不见。

写作：智商在线但「情商」掉线

Grok 4在192k上下文窗口的表现仅次于Gemini，在1k到120k的测试中，Grok 4几乎一路保持高水准，说明它在语义连贯、记忆保持上确实有两把刷子。

当网友让Grok 4写一首六行诗，要求全词用S开头，主题还得涵盖爱情、背叛、复仇、悲剧、英雄主义五大元素，Grok居然真写出来了，而且读起来还挺顺。

不过，要是拉到更宏观的短篇小说创意写作基准上来看，Grok 4拿到的7.69分只能算中等水平。

评测团队的总结比较直接，虽然Grok 4能持续产出结构清晰、起承转合完整的故事，但情节容易套路化、结尾寡淡、语言偏炫技，象征和隐喻也流于表面。

SVG试炼场：画图裸考来了

让大模型生成SVG图像，可以更好地评估它们的视觉与空间推理水平，这也是通往AGI的关键能力之一。Reddit网友设计了一项任务，让四款模型在无任何工具辅助的情况下画图裸考。

【凭记忆绘制美国地图】

第一关是让模型生成美国本土地图轮廓，Grok 4的地理细节略糊，但轮廓逻辑还算完整；而Claude 4 Sonnet则是唯一一个准确标注三块区域（美国本土、阿拉斯加、夏威夷）且添加地名的模型，空间感和知识调用都略胜一筹。

【复刻线条漫画】

当被要求将一幅被拆分为三张小图的线条漫画，完整还原为纯SVG时，Grok 4表现拔尖，人物动作自然，而o3虽然也想拼全图，但页面排版混乱，出现文字穿模、对白重叠等问题。

【重构专辑封面】

第三关是让模型画出Radiohead的《In Rainbows》封面。OpenAI o3是唯一一个在排版和结构上高度还原的模型，展现出强大的记忆与设计执行力。反观Grok 4构图稍显单薄，层次感不足。

【绘制克雷布斯循环示意图】

在生物图解任务中，Grok 4的输出有板有眼，NADH、ATP、CO₂等关键要素一应俱全，逻辑严密；Claude 4 Sonnet视觉层次极强，图解效果堪比PPT模板；o3的风格则更像课堂板书，信息量简洁但教学清晰。

【用SVG画出你的自画像】

最后是让模型画出自己，主打一个不限风格。Grok 4画了张人脸；Gemini 2.5 Pro略显抽象；OpenAI o3识别度高、亲和力强；而Claude 4 Sonnet的输出则颇具现代艺术张力。

可视化：黑洞模拟、欧拉恒公式、哲学自画像

网友@techartist_用Grok 4编写了一个交互式3D黑洞模拟与可视化项目，使用了threejs进行渲染，并结合自定义的GLSL着色器，精细地还原了恒星背景以及的震撼视觉效果。

而在更偏「哲学意味」的测试中，@dvorahfr问了Grok一个抽象问题：「如果你必须以肉身形式存在，会是什么样子？」

博主@KettlebellDan要求Grok 4用HTML+JavaScript创建动画，帮助理解欧拉恒公式（e^jπ+1=0），Grok 4展现出不俗的数学理解与可视化编程能力。

面对下面这道逻辑测试题，Grok给出的回答是B，而正确答案应为C。

博主@ai_for_success上传了手掌以及闹钟emoji，结果Grok 4并未能准确识别图中手指数目，以及连闹钟上的时间也都解读错误。

不过这些问题并非Grok独有，图像理解类任务本就是目前主流大模型绕不开的难点。哪怕是Gemini 2.5 Pro和OpenAI的o3，也在类似测试中翻过车。

推理能力：Grok 4更会变通，o3更会算账

再来看一个复杂的场景推理题：

「如果A公司收购了B公司，而B公司持有C公司的债务，那么一旦C公司违约，会引发什么法律与财务后果？请完整解释。」

在网友@alex_prompter的这组测试测试中，从整体来看，Grok 4的表现更胜一筹。它在思维链展开、逻辑推理和法律框架建构方面更完整，条理更清晰。

还记得此前Anthropic用Claude Sonnet 3.7运营一家商店，结果最终以破产收场。对此，沃顿商学院教授Ethan Mollick向o3和Grok 4抛出了一道类似的任务：

请为一家全新的邮购奶酪店构思20条创意营销口号，设定评选标准并选出最优方案；随后制定完整的财务与市场推广计划，视竞争情况进行策略调整；接着使用图像生成工具设计品牌logo，构建网站原型，并确保奶酪产品的选择符合你的市场定位，数量控制在5到10款之间。

o3给出的财务预测更复杂、细节更丰富，Grok 4则在应对竞争对手时，调整能力更强，就整体任务完成度而言，Grok 4在工具调用和模拟主动执行任务的能力方面稍逊于o3。

简言之，Grok 4并非一无是处。三维生成、逻辑建模、SVG图像绘制、超长文本推理等等「硬骨头」都啃下了不少，展现出不俗的技术深度。但与此同时，UI设计拉胯，图像理解「出戏」，甚至在一些基础编程、写作任务上有时也会翻车，充分暴露出Grok 4模型能力的短板，也让不少网友直呼「2万块就这」。

微软CEO纳德拉曾一针见血地指出，今天不少大模型正陷入「Benchmark Hacking」的陷阱——模型能在各种基准测试中刷出高分，却难以应对现实世界的变量。这种毫无意义的基准测试成绩作弊，徒有分数，却无助于实际解决问题。

正如网友调侃的那样，Grok 4离AGI的「G」还有很长一段距离。不过，这一切或许都在马斯克的预期之内。毕竟，他尤其擅长抛出一个看起来领先半个时代的概念，再让全世界围观、发酵、讨论。

至于Grok 4好不好用，或许不是马斯克最操心的事。是被夸还是被骂，也没那么重要。只要Grok 4仍旧是地球上话题度最高的AI，哪怕体验难言完美，也总有人愿意掏出三千美元，买一张凑热闹的门票。

欢迎加入APPSO AI社群，一起畅聊AI产品，获取#AI有用功，解锁更多AI新知

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）