Ποια συγκεκριμένα σημεία αναφοράς έχουν δοκιμαστεί GROK 3 και GPT-4O

- Μαθηματικά: Η GROK 3 πέτυχε βαθμολογία 93,3% στην Αμερικανική Εξέταση Μαθηματικών (AIME) του 2025, ενώ η απόδοση του GPT-4O σε αυτόν τον τομέα δεν επισημαίνεται ρητά στα διαθέσιμα δεδομένα. Ωστόσο, η απόδοση του Grok 3 στο AIME 2024 σημειώθηκε σημαντικά υψηλότερη από τις γενικές επιδόσεις της GPT-4O σε εργασίες που σχετίζονται με τα μαθηματικά [1] [3] [5].

-Επιστήμη και συλλογιστική: Η GROK 3 σημείωσε το 84,6% στη δοκιμή GPQA (Expert Expert-Leason), παρουσιάζοντας τη δύναμή της στη γνώση της επιστήμης σε επίπεδο μεταπτυχιακού επιπέδου. Η απόδοση του GPT-4O σε παρόμοιες εργασίες συλλογιστικής είναι γενικά χαμηλότερη σε σύγκριση με το Grok 3 [1] [3] [6].

- Κωδικοποίηση: Το GROK 3 πέτυχε το 79,4% στο LiveCodeBench, ξεπερνώντας το GPT-4O στις εργασίες δημιουργίας κώδικα. Η συγκεκριμένη βαθμολογία του GPT-4O στο LiveCodeBench δεν είναι λεπτομερής, αλλά ο Grok 3 γενικά υπερέχει σε σημεία αναφοράς κωδικοποίησης [1] [3] [5].

- Γενική γνώση: Το Grok 3 σημείωσε 79,9% στο MMLU-Pro, το οποίο δοκιμάζει ευρεία γνώση σε πολλαπλά θέματα. Η GPT-4O σημείωσε 72,6% στο ίδιο σημείο αναφοράς, υποδεικνύοντας την ισχυρότερη απόδοση του Grok 3 σε καθήκοντα γενικής γνώσης [3].

- Πολυτροπική κατανόηση: Το GROK 3 κατέδειξε δυνατότητες σε πολυτροπικά καθήκοντα όπως το MMMU (κατανόηση πολλαπλών μοντέλων πολλαπλών εργασιών), αν και συγκεκριμένες συγκρίσεις με το GPT-4O σε αυτόν τον τομέα είναι περιορισμένες [1] [3].

Συνολικά, το GROK 3 τείνει να ξεπεράσει το GPT-4O σε εξειδικευμένα καθήκοντα όπως τα μαθηματικά, η επιστήμη και η κωδικοποίηση, ενώ η GPT-4O μπορεί να είναι πιο ευπροσάρμοστη σε εφαρμογές γενικής χρήσης [2] [5] [6].