Esittely

Luuletko, että GROK3 on esikoulutettujen mallien "päätepiste"?

Elon Musk ja XAI -joukkue julkaisivat virallisesti viimeisimmän version Grok3: sta, LiveStreamin aikana. Ennen tätä tapahtumaa huomattava määrä liittyvää tietoa yhdistettynä Muskin 24/7 mainoshypeen kanssa nosti GROK3: n maailmanlaajuiset odotukset ennennäkemättömille tasolle. Vain viikko sitten Musk totesi varmasti liveStreamin aikana kommentoidessaan Deepseek R1: tä "Xai on käynnistämässä parempaa AI -mallin". Esitettyjen tietojen perusteella GROK3 on ilmoittanut ylittäneen kaikki nykyiset valtavirran mallit matematiikan, tieteen ja ohjelmoinnin vertailuarvoilla, jolloin Musk väittää jopa, että GROK3: ta käytetään laskennallisiin tehtäviin, jotka liittyvät SpaceX: n Mars -operaatioihin, jotka ennustavat "läpimurtoja Nobel -palkintoasteella kolmen vuoden aikana" "" Nämä ovat kuitenkin tällä hetkellä vain Muskin väitteitä. Käynnistyksen jälkeen testasin GROK3: n viimeisintä beetaversiota ja esitin klassisen temppukysymyksen suurille malleille: "Mikä on suurempi, 9.11 tai 9,9?" Valitettavasti ilman mitään karsinnat tai merkinnät, ns. Fiksuin GROK3 ei silti pystynyt vastaamaan tähän kysymykseen oikein. Grok3 ei onnistunut tunnistamaan kysymyksen merkitystä tarkasti.

Tämä testi kiinnitti nopeasti huomattavan huomion monilta ystäviltä, ja sattumalta erilaiset vastaavat testit ulkomailla ovat osoittaneet Grok3: n kamppailevan fysiikan/matematiikan peruskysymyksien kanssa, kuten "Mikä pallo putoaa ensin Pisan kallistuvasta tornista?" Siten se on merkitty humoristisesti "neroksi, joka ei halua vastata yksinkertaisiin kysymyksiin".

Grok3 on hyvä, mutta se ei ole parempi kuin R1 tai O1-Pro.

GROK3 kokenut "epäonnistumisia" monista yleistä tietokokeita käytännössä. XAI -laukaisutapahtuman aikana Musk esitteli GROK3: n käyttämisen merkkikurssien ja Exile 2: n pelipolun vaikutusten analysoimiseksi, jonka hän väitti pelavansa usein, mutta suurin osa GROK3: n antamista vastauksista oli virheellisiä. Musk liveStreamin aikana ei huomannut tätä ilmeistä asiaa.

Tämä virhe ei vain tarjonnut lisätodisteita ulkomaille netizensille myskin pilkkaamiseksi korvikkeen löytämiseksi pelaamisessa, vaan herätti myös merkittäviä huolenaiheita Grok3: n luotettavuudesta käytännön sovelluksissa. Tällaiselle "neroon" sen todellisista kyvyistä riippumatta sen luotettavuus erittäin monimutkaisissa sovellusskenaarioissa, kuten Marsin etsintätehtävissä, on edelleen epävarma.

Tällä hetkellä monet testaajat, jotka saivat pääsyn Grok3 viikkoon sitten, ja ne, jotka juuri testasivat malliominaisuuksia muutaman tunnin ajan eilen, viittaavat yleiseen johtopäätökseen: "Grok3 on hyvä, mutta se ei ole parempi kuin R1 tai O1-Pro."

Kriittinen näkökulma "NVIDIA: n häiritsemiseen"

Virallisesti esitetyssä PPT: ssä julkaisun aikana Grok3: n osoitettiin olevan ”kaukana eteenpäin” chatbot-areenalla, mutta tämä taitavasti käytetty graafinen tekniikka: Tulostaulun pystysuuntainen akseli vain luetellut tulokset 1400-1300-pistemäärällä, mikä teki alkuperäisen 1%: n ero testituloksissa poikkeuksellisen merkittäviä tässä esityksessä.

Todellisissa mallin pisteytystuloksissa Grok3 on vain 1-2% Deepseek R1: n ja GPT-4.0: n edellä, mikä vastaa monien käyttäjien kokemuksia käytännön testeissä, joissa "ei havaittavissa olevaa eroa". Grok3 ylittää seuraajansa vain 1%-2%.

Vaikka GROK3 on saanut korkeamman kuin kaikki tällä hetkellä julkisesti testatut mallit, monet eivät ota tätä vakavasti: Loppujen lopuksi Xai on aikaisemmin kritisoitu "pisteet manipuloinnista" GROK2 -aikakaudella. Tulostaululla rangaistaan vastauksen pituustyyliä, pisteet laskivat huomattavasti, johtaen teollisuuden sisäpiiriläisiä kritisoimaan usein "korkean pisteytyksen mutta alhaisen kyvyn" ilmiötä.

Olipa tulostaulun "manipuloinnin" tai kuvitus temppujen kautta kuvituksissa, ne paljastavat Xai ja Muskin pakkomielle käsitteestä "pakkauksen johtamisesta" mallimahdollisuuksissa. Musk maksoi jyrkän hinnan näistä marginaaleista: Käynnistyksen aikana hän kehui käyttämään 200 000 H100 GPU: ta (väittäen "yli 100 000" eläinstreamin aikana) ja saavuttivat kokonaiskoulutusajan 200 miljoonan tunnin ajan. Tämä sai jotkut uskomaan, että se edustaa toista merkittävää siunausta GPU -teollisuudelle ja pitää Deepseekin vaikutusta alaan "tyhmäksi". Erityisesti jotkut uskovat, että pelkkä laskennallinen voima on mallikoulutuksen tulevaisuus.

Joissakin netizens verrattiin kuitenkin 2000 H800 -GPU: n kulutusta kahden kuukauden aikana DeepSeek V3: n tuottamiseksi, laskettaessa, että GROK3: n todellinen koulutusvoimankulutus on 263 kertaa V3: n kulutus. Deepseek V3: n välinen aukko, joka sai 1402 pistettä, ja Grok3 on vajaat 100 pistettä. Näiden tietojen julkaisemisen jälkeen monet tajusivat nopeasti, että Grok3: n tittelin takana "maailman vahvin" on selkeä marginaalinen hyötyvaikutus - suurempien suorituskyvyn tuottavien suurempien mallien logiikka on alkanut osoittaa vähenevän tuoton.

Jopa "korkean pistemäärän, mutta matalan kyvyn" Grok2: lla oli valtavia määriä korkealaatuisia ensimmäisen osapuolen tietoja X (Twitter) -alustasta käyttöä varten. Grok3: n koulutuksessa Xai tapasi kuitenkin luonnollisesti "kattoa", jota Openai tällä hetkellä kohtaa - premium -harjoitustietojen puute paljastaa nopeasti mallin ominaisuuksien marginaalisen hyödyllisyyden.

Grok3: n ja Muskin kehittäjät ovat todennäköisesti ensimmäisiä, jotka ymmärtävät ja tunnistavat nämä tosiasiat syvästi, minkä vuoksi Musk on jatkuvasti maininnut sosiaalisessa mediassa, jonka käyttäjät kokevat nyt "edelleen vain beeta" ja että "täysversio julkaistaan tulevina kuukausina". Musk on ottanut Grok3: n tuotepäällikön roolin, mikä viittaa siihen, että käyttäjät antavat palautetta kommenttiosassa esiintyvistä asioista.

Silti päivän kuluessa Grok3: n suorituskyky epäilemättä herätti hälytyksiä niille, jotka toivovat luottaa "massiiviseen laskennalliseen lihakseen" kouluttaakseen voimakkaampia suuria malleja: julkisesti saatavilla oleviin Microsoft-tietoihin OpenAi: n GPT-4: n parametrien koko on 1,8 triljoonaa parametria, yli kymmenen kertaa GPT-3: n. Huhut viittaavat siihen, että GPT-4.5: n parametrien koko saattaa olla vielä suurempi.

Kun malliparametrikoot nousevat, myös koulutuskustannukset ovat nousussa. GROK3: n läsnäolon myötä kilpailijoiden, kuten GPT-4.5 ja muiden, jotka haluavat jatkaa ”rahan polttamista” parametrien koon saavuttamiseksi paremman mallin suorituskyvyn saavuttamiseksi, on harkittava kattoa, joka on nyt selvästi näkyvissä ja mietittävä, kuinka se voitetaan. Tällä hetkellä Openain entinen päätieteilijä Ilja Sutskever oli aiemmin todennut viime joulukuussa: "Esi-koulutus, jonka olemme perehtyneet, päättyy", joka on noussut keskusteluihin ja kehottaa pyrkimyksiä löytää todellinen polku suurten mallien kouluttamiseen.

Ilyan näkökulma on kuulostanut alan hälytyksen. Hän ennakoi tarkasti saavutettavan uuden tiedon välittömän uupumuksen, mikä johtaa tilanteeseen, jossa suorituskykyä ei voida jatkaa tiedonkeruun avulla, mikä vastaa sitä fossiilisten polttoaineiden uupumukseen. Hän ilmoitti, että "kuten öljy, ihmisen tuotettu sisältö Internetissä on rajoitettu resurssi". Sutskeverin ennusteissa seuraavan sukupolven mallit, jälkikäteen harjoittelu, on "todellinen autonomia" ja päättelyominaisuudet ", jotka ovat samanlaisia kuin ihmisen aivot".

Toisin kuin nykypäivän ennakkokoulutetut mallit, jotka luottavat ensisijaisesti sisällönsovitukseen (perustuen aiemmin opilliseen mallisisältöön), tulevat AI-järjestelmät voivat oppia ja luoda menetelmiä ongelmien ratkaisemiseksi tavalla, joka muistuttaa ihmisen aivojen "ajattelua". Ihminen voi saavuttaa perustavanlaatuisen taiton aiheesta, jolla on vain ammatillinen peruskirjallisuus, kun taas AI: n suuri malli vaatii miljoonia datapisteitä pelkästään lähtötason tehokkuuden saavuttamiseksi. Jopa silloin, kun sanamuoto muuttuu hiukan, näitä perustavanlaatuisia kysymyksiä ei voida ymmärtää oikein, mikä osoittaa, että malli ei ole todella parantunut älykkyydessä: artikkelin alussa mainitut peruskysymykset edustavat selkeää esimerkkiä tästä ilmiöstä.

Johtopäätös

Raava voiman ulkopuolella, jos GROK3 todella onnistuu paljastamaan teollisuudelle, että "ennakkokoulutetut mallit lähestyvät päätään", sillä olisi merkittäviä vaikutuksia kentälle.

Ehkä GROK3: n ympäröivän vimma vähenee vähitellen, todistamme enemmän tapauksia, kuten fei-fei li: n esimerkki "tietyn tietojoukon korkean suorituskyvyn malleista vain 50 dollarilla", viime kädessä löytämällä todellinen polku AGI: hen.