Grok 4刷新ARC-AGI-2纪录：15.9%碾压所有公开模型，我们离AGI还有多远？
xAI模型Grok 4在ARC-AGI-2测试中得分15.9%，成为全球最强公开AI模型，打破噪声屏障展示流体智能能力。
人类水平
地铁换乘都搞不定？ReasonMap基准揭示多模态大模型细粒度视觉推理短板
ReasonMap 是首个聚焦于高分辨率交通图的多模态推理评测基准，用于评估大模型在理解图像细粒度结构化空间信息方面的能力。
多模态大模型不会画辅助线？最新评估得分：o3仅25.8%，远低于人类82.3% 清华腾讯斯坦福联合
清华大学等机构联合发布RBench-V，评估大模型的视觉推理能力。结果显示表现最好的模型o3准确率仅为25.8%，远低于人类的82.3%。论文在Reddit机器学习社区引发讨论。