¿Qué puntos de referencia específicos se han probado GROK 3 y GPT-4O?

- Matemáticas: Grok 3 logró una puntuación del 93.3% en el Examen de Matemáticas American Invitational 2025 (AIME), mientras que el rendimiento de GPT-4O en esta área no se destaca explícitamente en los datos disponibles. Sin embargo, el rendimiento de Grok 3 en el AIME 2024 se observó como significativamente más alto que el rendimiento general de GPT-4O en las tareas relacionadas con las matemáticas [1] [3] [5].

-Ciencia y razonamiento: Grok 3 obtuvo un 84.6% en la prueba GPQA (razonamiento experto a nivel de posgrado), mostrando su fortaleza en el conocimiento científico a nivel de posgrado. El rendimiento de GPT-4O en tareas de razonamiento similares es generalmente más bajo en comparación con Grok 3 [1] [3] [6].

- Codificación: Grok 3 alcanzó el 79.4% en LivecodeBench, superando a GPT-4O en las tareas de generación de código. El puntaje específico de GPT-4O en LivecodeBench no se detalla, pero Grok 3 generalmente se destaca en los puntos de referencia de codificación [1] [3] [5].

- Conocimiento general: Grok 3 obtuvo un puntaje de 79.9% en el MMLU-Pro, que prueba un amplio conocimiento en múltiples sujetos. GPT-4O obtuvo un 72.6% en el mismo punto de referencia, lo que indica el rendimiento más fuerte de Grok 3 en las tareas de conocimiento general [3].

- Comprensión multimodal: Grok 3 demostró capacidades en tareas multimodales como MMMU (comprensión del modelo multitarea multimodal), aunque las comparaciones específicas con GPT-4O en esta área son limitadas [1] [3].

En general, Grok 3 tiende a superar a GPT-4O en tareas especializadas como las matemáticas, la ciencia y la codificación, mientras que GPT-4O podría ser más versátil en aplicaciones de uso general [2] [5] [6].