Hvilke specifikke benchmarks er Grok 3 og GPT-4O blevet testet på

- Matematik: Grok 3 opnåede en score på 93,3% på 2025 American Invitational Mathematics Examination (AIME), mens GPT-4Os præstation på dette område ikke eksplicit fremhæves i de tilgængelige data. Imidlertid blev Grok 3's præstation i AIME 2024 bemærket som signifikant højere end GPT-4Os generelle præstation i matematikrelaterede opgaver [1] [3] [5].

-Videnskab og ræsonnement: Grok 3 scorede 84,6% på GPQA (ekspert-ræsonnement på kandidatniveau), der viser sin styrke inden for videnskabskendskab på kandidatniveau. GPT-4Os præstation i lignende ræsonnementsopgaver er generelt lavere sammenlignet med Grok 3 [1] [3] [6].

- Kodning: GROK 3 opnåede 79,4% på LiveCodeBench og overgik GPT-4O i kodegenereringsopgaver. GPT-4Os specifikke score på LiveCodeBench er ikke detaljeret, men Grok 3 udmærker sig generelt i kodning af benchmarks [1] [3] [5].

- Generel viden: Grok 3 scorede 79,9% på MMLU-Pro, der tester bred viden på tværs af flere emner. GPT-4O scorede 72,6% på det samme benchmark, hvilket indikerede Grok 3's stærkere præstation i generelle videnopgaver [3].

- Multimodal forståelse: GROK 3 demonstrerede kapaciteter i multimodale opgaver som MMMU (multimodal multitask-modelforståelse), skønt specifikke sammenligninger med GPT-4O i dette område er begrænset [1] [3].

Generelt har Grok 3 en tendens til at overgå GPT-4O i specialiserede opgaver som matematik, videnskab og kodning, mens GPT-4O muligvis er mere alsidig i generelle applikationer [2] [5] [6].