AI在线注意到，在发布会上，马斯克宣称 Grok 3 在数学、科学与编程的基准测试中超越了所有主流模型，并计划将其应用于 SpaceX 的火星任务计算，甚至预测未来三年内将实现诺贝尔奖级别的突破。
但 Grok 3 的实际测试表现却让人大跌眼镜。发布后，一些媒体测试了最新的 Beta 版 Grok 3，并提出了那个经典的用来刁难大模型的问题：“9.11 与 9.9 哪个大？”遗憾的是，号称目前最聪明的 Grok 3，仍然无法正确回答这个问题，被网友戏称为“天才不愿意回答简单问题”。
此外，在 xAI 发布会直播中，在分析游戏《流放之路 2》的职业与升华效果时，Grok 3 也给出了大量错误答案，并且马斯克也没有看出这些明显的错误。
尽管在官方 PPT 中，Grok3 在大模型竞技场 Chatbot Arena 中看似“遥遥领先”，但实际上其与 DeepSeek R1 和 GPT4.0 的差距仅为 1% 到 2%。
马斯克在发布会上透露，Grok 3 使用了超过 20 万张 H100 芯片，总训练小时数达到两亿小时。作为对比，DeepSeek V3 仅使用 2000 张 H800 芯片训练两个月，其性能却与 Grok 3 相差无几。这表明，随着模型规模的不断扩大，性能提升的边际效应已经显现。
值得一提的是，马斯克在社交媒体上表示，当前的 Grok 3 仅是测试版，完整版将在未来几个月推出，并邀请用户反馈使用问题。
