Milyen konkrét referenciaértékeket teszteltek a Grok 3 és a GPT-4O

- Matematika: A GROK 3 93,3% -os pontszámot ért el a 2025-ös American Invitational Mathematikai Vizsgálaton (AIME), míg a GPT-4O ezen a területen történő teljesítményét a rendelkezésre álló adatok nem kifejezetten kiemelik. A GROK 3 teljesítményét azonban az AIME 2024-ben szignifikánsan magasabb volt, mint a GPT-4O általános teljesítménye a matematikai feladatokban [1] [3] [5].

-Tudomány és érvelés: A GROK 3 84,6% -ot szerzett a GPQA (posztgraduális szintű szakértői érvelés) teszten, amely bemutatta erejét a posztgraduális szintű tudományos ismeretek során. A GPT-4O teljesítménye hasonló érvelési feladatokban általában alacsonyabb a GROK 3-hoz képest [1] [3] [6].

- Kódolás: A GROK 3 79,4% -ot ért el a LivecodeBench-en, amely felülmúlta a GPT-4O-t a kódgenerációs feladatokban. A GPT-4O specifikus pontszáma a LiveCodeBench-en nem részletes, de a GROK 3 általában kiemelkedik a kódoló referenciaértékekben [1] [3] [5].

- Általános ismeretek: A GROK 3 79,9% -ot tett ki az MMLU-PRO-n, amely több tantárgyon át széles körű tudást tesztel. A GPT-4O ugyanazon a referenciaértéknél 72,6% -ot szerzett, jelezve a Grok 3 erősebb teljesítményét az általános tudásfeladatokban [3].

- Multimodális megértés: A GROK 3 bemutatott képességeit olyan multimodális feladatokban, mint az MMMU (multimodális multitask modell megértése), bár ezen a területen a GPT-4O-val való specifikus összehasonlítások korlátozottak [1] [3].

Összességében a GROK 3 hajlamos felülmúlni a GPT-4O-t olyan speciális feladatokban, mint a matematika, a tudomány és a kódolás, míg a GPT-4O sokoldalúbb lehet az általános célú alkalmazásokban [2] [5] [6].