Grok 4 评测详情

Grok 4 当前已收录的代表性评测结果包括 AIME2025（14 / 215，得分 98.80）、MMLU Pro（15 / 176，得分 87）、IMO 2024（1 / 10，得分 23.20）。

评测结果

Grok 4

评测结果

综合评估

共 9 项评测

评测名称 / 模式

得分

排名/总数

开启思考

87

15 / 176

开启思考

66.70

87 / 147

常规模式

62.02

61 / 117

开启思考

26.70

234 / 563

开启思考

25.40

243 / 563

开启思考工具

38.60

141 / 563

开启思考工具联网

38.60

141 / 563

开启思考

15.90

88 / 136

开启思考

2

127 / 200

科学与综合推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考

87

133 / 462

编程与软件工程

共 3 项评测

评测名称 / 模式

得分

排名/总数

开启思考

81.90

44 / 250

SWE-bench Verified

开启思考

58.60

85 / 116

常规模式工具

45.73

41 / 52

数学推理

共 9 项评测

评测名称 / 模式

得分

排名/总数

开启思考

91.70

45 / 215

开启思考工具

98.80

14 / 215

开启思考

46.70

4 / 16

深度

23.30

10 / 16

开启思考

29.20

1 / 9

开启思考

23.20

1 / 10

IMO-ProofBench Advanced

开启思考

18.60

12 / 24

常规模式

12.10

22 / 60

FrontierMath - Tier 4

常规模式

2.10

56 / 80

AI Agent - 工具使用

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考工具

38

13 / 35

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考

60.50

33 / 93

Agent能力评测

共 5 项评测

评测名称 / 模式

得分

排名/总数

METR Time Horizons v1.1

常规模式工具

110.07

13 / 22

思考水平·高

79.60

7 / 59

τ²-Bench - Telecom

开启思考工具

74.90

125 / 264

常规模式工具

43.60

4 / 12

Terminal Bench Hard

开启思考工具

37.90

59 / 244

指令跟随

共 1 项评测

评测名称 / 模式

得分

排名/总数

开启思考

53.70

142 / 282

多模态理解

共 2 项评测

评测名称 / 模式

得分

排名/总数

开启思考

68.80

139 / 227

常规模式

45

20 / 20

长上下文

共 1 项评测

评测名称 / 模式

得分

排名/总数

Fiction.liveBench

常规模式

94.40

3 / 16

与其他模型对比