Az új Grok 4 mesterséges intelligencia modell bemutatkozik mint a jelenlegi legokosabb nyilvánosan elérhető MI, amely jelentős fejlődést jelent az előző Frontier modellekhez képest. A Grok sorozat fejlődését bemutatva kirajzolódik, hogyan vált a puszta tokenpredikcióból komplex, többlépcsős gondolkodásra is képes rendszer, főleg a megerősítéses tanulás és igazolható jutalmak alkalmazásával.
Nehéz benchmarkok, például a Humanity’s Last Exam segítségével demonstrálják a modellek képességeit: ezek a tesztek olyan összetett tudományos és mérnöki feladatokat tartalmaznak, amiket csak néhány szakértő tudna megoldani. Grok 4 azonban kimagasló eredményeket ér el ezekben, főként akkor, amikor különböző eszközöket – például webes böngészést vagy kódvégrehajtási lehetőségeket – is használhat.
Érdekes kérdés, hogy a különböző verziók – például a single-agent Grok 4 vagy a multi-agent Grok 4 Heavy – miként működnek, és mire képesek, amikor együttműködő ügynökökké válnak. A videó külön kitér arra, hogyan vizualizálja a modell a fekete lyukak ütközését, illetve hogyan teljesít valós, fizikai környezeti problémák (pl. árusító automata irányítása) vagy videójáték-készítés során.
Felmerülnek még izgalmas gyakorlati kérdések is: valóban tudnak-e ezek a modellek emberszintű rugalmassággal dönteni? Hol húzódik a határ a modell „fluid intelligenciája” és a valódi szakmai tudás között? Milyen szerepet játszanak a különböző benchmarkok és hogyan tolódik el a MI-tesztek fókusza az elméleti problémákról a valós, fizikai vagy interaktív feladatokra?
