最新 Grok 4 懶人包，全球最強 AI 模型？與 ChatGPT、Claude、Gemini 比較

昨天，Elon Musk 領軍的 xAI 團隊，正式發布最新 AI 模型 Grok 4 和 Grok 4 Heavy，號稱「全世界最聰明的 AI」。

在由 Scale AI 設立的最新評測標準 Humanity's Last Exam 中，Grok 4 Heavy 拿下領先成績，狠狠甩開 OpenAI、Anthropic、Google 等主流模型，成為智慧能力領先的 AI 之一。

那麼，到底 Grok 4 和 Grok Heavy 憑甚麼被稱作目前世界上最強的 AI 模型？它的實力和 ChatGPT、Claude、Gemini 相比，究竟強在哪裡？接下來就讓我們帶你快速了解。

延伸閱讀:【深度專題】Scale AI 是什麼？是 ChatGPT 訓練的基石？從資料標註新創到 Meta 投資的 AGI 基礎建設者

什麼是 Grok 4、Grok Heavy？功能、影片、Roadmap 一次看懂

這次發布的 Grok 4 系列，分為兩個版本：Grok 4 和 Grok 4 Heavy，兩者架構、定位都不太一樣。

Grok 4 是基礎版，重點在於「單一模型處理多模態任務」，支援文字、圖片、語音、數學推理，適合一般開發者或日常使用。

而 Grok 4 Heavy 則是 xAI 主打的旗艦版，採用 multi-agent 架構，透過多個 AI 協作完成任務，特別針對高難度的邏輯推理、分析任務優化，讓模型不再只是單點作業，而是像一個團隊在合作解題。

而這次 xAI 除了公開 Grok 4 在權威性指標的分數以外，也公開多個 Demo 展示 Grok 的實際應用：

Grok 4 的重點功能與 Demo 展示

1.人類最終試驗！Humanity's Last Exam：目前全球最高分

Humanity’s Last Exam 是由 Scale AI 推出的最新 AI 測試基準，被定位為「人類知識邊界的最後考驗」。這個測試集包含 2,500 題封閉式高難度題目，涵蓋數學、物理、電腦科學、社會科學、醫學、工程等 100 多個學科，專門測試 AI 在邏輯推理、專業知識、跨領域理解等方面的極限能力。

從題目類型來看，數學領域占了最大比例 41%，其次是生物醫學（11%）、電腦科學 / 人工智慧（10%）、物理與社會科學（各 9%）、化學（7%）、工程（4%）等，可說是目前涵蓋範圍最廣、難度最高的 AI 測試之一。

在公布的測試結果中，Grok 4 Heavy 拿下 44.4% 的整體正確率，成為目前公開成績最高的 AI 模型，明顯領先 GPT-4o、Claude 3、Gemini 1.5 等主要對手。

2.Voice Mode（Eve）：直接對話、語氣變化，甚至能唱歌

Grok 4 內建的語音功能模組 Eve，能夠支援自然語氣、情緒轉換，甚至可以模擬不同角色的聲音對話。
與 OpenAI GPT-4o 類似，Grok 4 支援即時語音互動，並展示了完整的語音生成 pipeline，不只朗讀文字，而是具備溝通感的對話能力。

特別的是，Eve 還能夠唱歌，展現語音模型的節奏、情感掌控能力。

3.Vending Bench：AI 比人還會賺錢

Vending-Bench 是一個模擬販賣機經營的 benchmark 測試，考驗 AI 在真實經濟場景中的決策、需求預測與商品定價能力。模型需要根據銷售狀況、庫存管理、消費者偏好做出最佳決策，類似日常零售經營環境。

在這個測試中，Grok 4 明顯領先其他模型：

• Grok 4 平均淨收益為 $4,694.15，銷售 4,569 件商品
• 遠超 Claude Opus 4 的 $2,077.41，以及 Gemini 2.5 Pro、o3 等模型
• 甚至連人類平均成績（$844.05，344 件）也大幅超越

從右側的淨收益成長曲線來看，Grok 4 的表現一路領先，說明它不只會答題，更能在多變的市場情境下持續優化決策，展現了「自主經營」的能力。

這項能力未來有機會應用在智慧零售、商業 AI 決策、甚至遊戲 NPC 經營模擬等領域。

4.黑洞碰撞模擬：從搜尋、建模到繪圖，全程自主完成

另一個展示 Grok 多模態能力的案例，是「黑洞合併模擬」。這不只是視覺展示，更是結合搜尋、數學建模、程式生成的完整流程。

Grok 4 透過內建搜尋功能，自動找到哈佛、arXiv 等研究資料，理解重力波（gravitational waves）的數學模型，並根據公式產生波形數據。
接著，Grok 直接生成 HTML + JavaScript 程式碼，自行繪製黑洞碰撞產生的重力波動畫，過程中不需要人為介入。

這個 demo 展示 Grok 不只是「理解知識」，而是能從知識 → 程式 → 圖像，跨越不同領域完成複雜任務。

Grok 4 真的最強嗎？數據、實測、AI 社群怎麼看

看了這麼多 demo，不可否認 Grok 4 Heavy 展現了很強的技術實力，但「最聰明的 AI 模型」這個稱號，真的成立嗎？
一個模型的能力，不能只看公開展示，更要看它在各大 benchmark 測試、社群開發者實測，以及真實應用場景裡，是否穩定、全面、可靠。

以下整理目前公開的測試數據與社群評價，帶你更全面了解 Grok 4 Heavy 的實力：

Artificial Analysis：專門評測 Frontier AI 的第三方指標

在官方 benchmark 之外，近年 AI 圈內也開始重視來自第三方的實測平台。其中，Artificial Analysis 是目前開源社群、AI 工程師挑選模型時的重要參考，類似 AI 領域的「性能評測排行榜」。這個平台最大的特色在於：不只看官方數據，而是實際透過 prompt 測試、API 呼叫、輸出速度等面向，進行綜合評估。

在 Intelligence Index（智慧指數）上，Grok 4 拿下 73 分，是目前評比中最高，領先 Gemini 2.5 Pro（70 分）、OpenAI o4-mini（70 分）、DeepSeek Flash（68 分）等對手。

在每秒輸出 tokens 數量（Output Tokens per Second）上，Grok 4 僅排名中段：明顯慢於 Gemini 2.5 Flash（357 tokens/sec）、Reasoning 3-mini（209 tokens/sec），這是因為 Grok 4 是推理模型，在任何問答情況下都會用到推理，我們實際測試，大約是 ChatGPT 兩倍的時間。

在每百萬 tokens 成本（USD per 1M tokens）上，Grok 4 約 6 美元，與 GPT-4o、Claude 同級，但遠高於 DeepSeek、Llama、Reasoning 這些高性價比模型（最低僅 0.3 美元）。

與 GPT‑4o、Claude、Gemini 比較：整體表現一覽

實際使用感受：Grok 很強，但更像是學術派的勝利

以我自己的使用經驗來說，雖然 Grok 4 的確在 benchmark 測試上成績亮眼，但實際用起來，還是有不少限制。

首先是價格與功能範圍：目前 Grok 4 的訂閱價格是每月 30 美元 (高達每月 300 美元的專業版費用，對一般用戶來說偏高。)，看似與 GPT-4o Pro、Claude Pro 差不多，但能做到的事比較侷限。它雖然強調邏輯推理能力，但實際日常使用時，不管問什麼問題，它都像是在「認真考慮」，即便只是簡單查詢，也會花比較長的處理時間。

其次是 Coding 能力與生態整合：目前 Grok 的 coding 水準，沒有辦法取代 Claude 的流暢度，或 Codex / GPT-4o 的成熟度；而且在各類工具整合、API 支援、企業應用生態方面，還是 Google Gemini 做得比較完整。

簡單來說，雖然 Grok 4 Heavy 是目前在智慧層級上最強的模型之一，但它的應用場景偏向「學術性」、「高難度任務」，不像 GPT-4o、Claude 那樣適合做為一個隨時可用的全能助理。

Grok 4 適合誰？值不值得訂閱？

xAI 在直播上公布了 Grok 接下來幾個月的產品 Roadmap，包含 8 月的 Coding Model、9 月的 Multi-modal Agent，以及 10 月的 影片生成模型，都是針對實用性大幅升級的功能。

如果你是：

• 喜歡體驗最新 frontier AI 技術，想要了解最前沿的模型能力，可以考慮現在就訂閱 Grok 4。
• 重度科研、數學、邏輯推理需求，需要處理複雜問題、跨領域任務，Grok 4 Heavy 是目前公開模型裡最好的選擇。

但如果你只是：

• 日常聊天、寫程式、整合工具 API、寫報告等任務，目前 GPT-4o、Claude、Gemini 仍然是更穩定且完整的選擇。
• 需要 價格實惠、速度快、應用廣泛 的模型，Grok 4 暫時還不是最佳解。

建議：想要功能完整、應用穩定的話，建議至少等到 9 月 Multi-modal Agent、10 月 Video Model 上線之後，再來評估是否入手。