Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch25. Juli 2025 · Q004453

Evaluating Grok 4’s math capabilities

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Laut Epoch erreicht Grok 4 bei mittelschweren Wettbewerbsaufgaben einen knappen Spitzenwert, vor allem durch zuverlässigeres, umfangreiches Durchrechnen. Bei anspruchsvollen Beweisen und Forschungsaufgaben bleibt es laut Autor fehleranfällig; zudem sind manche Ergebnisse wegen interner Benotung, Promptwahl und begrenzter Testabdeckung nur eingeschränkt vergleichbar.

Mittel

Epoch-Autor Greg Burnham bewertet Grok 4 anhand von Wettbewerbsaufgaben, FrontierMath, ausgewählten Beispielen und Einschätzungen zweier Mathematiker. Er weist darauf hin, dass die Untersuchung mathematische Tätigkeiten wie das Entwickeln neuer Vermutungen nicht umfassend messen kann.

Bei mittelschweren Schulwettbewerbsaufgaben erreicht Grok 4 laut den ausgewerteten Benchmarks 88 Prozent und damit knapp mehr als frühere Spitzenmodelle. Der Fortschritt bestehe vor allem darin, umfangreiche Rechnungen zuverlässiger auszuführen; konzeptionelle Abkürzungen finde das Modell selten. Python-Ergebnisse für Wettbewerbe, die ohne Hilfsmittel gedacht sind, hält der Autor für nicht aussagekräftig. Auch xAIs intern bewertete USAMO-Ergebnisse seien schwer vergleichbar. Grok 4 Heavy zeigte laut xAI Fortschritte bei Beweisen, doch Burnham fand Fehler in den geprüften Lösungen. Grok 4 schnitt bei der IMO schwach ab, wobei Prompt und Auswahlverfahren die Ergebnisse beeinflussten. Mathematiker beschrieben seine Beweise als lückenhaft und teils überzeugend, aber falsch.

Auf FrontierMath erzielte Grok 4 in zwei Läufen 14 und 12 Prozent; Epoch bewertet diese Werte als statistisch nicht unterscheidbar. In einfachen Beispielen erkannte Grok manchmal eigene Fehler, machte aber weiterhin auch grundlegende Fehler. Burnham sieht Grok 4 an der damaligen Leistungsspitze, jedoch noch weit von verlässlicher mathematischer Forschungsarbeit entfernt. Die Benchmarks erfassen zudem nicht alle wichtigen mathematischen Fähigkeiten.

Ausführlich lesen

Der Bericht von Epoch AI untersucht die mathematischen Fähigkeiten von Grok 4 und Grok 4 Heavy. Autor Greg Burnham stützt sich auf Benchmarkdaten, ausgewählte Aufgaben und Einschätzungen zweier Mathematiker. Die Untersuchung war von xAI beauftragt und vergütet; Epoch gibt an, die redaktionelle Kontrolle behalten zu haben. Der Autor betont, dass verfügbare Tests wichtige mathematische Tätigkeiten wie das Entwickeln interessanter Vermutungen oder das Übertragen von Methoden zwischen Fachgebieten nicht erfassen.

Bei mittelschweren Aufgaben aus AIME, HMMT und OTIS Mock AIME erreicht Grok 4 laut den herangezogenen Auswertungen mit 88 Prozent einen neuen Bestwert, gegenüber zuvor 85 Prozent für Gemini 2.5 Pro und o4-mini (high). Burnham beschreibt den Fortschritt vor allem als zuverlässigeres und ausdauernderes „Durchrechnen“: Das Modell löse umfangreiche Rechnungen, greife aber oft nicht zu den kürzeren, konzeptionellen Wegen, die Menschen finden können. Von 105 Aufgaben in den drei Wettbewerben sei laut MathArena und Epoch nur bei vier noch kein Modell erfolgreich gewesen. Der Autor erwartet, dass diese Aufgabenkategorie bald weitgehend ausgeschöpft sein könnte. Ergebnisse mit Python-Werkzeugen seien für AIME und HMMT ungeeignet, weil diese Wettbewerbe Aufgaben ohne solche Hilfsmittel vorsehen. Außerdem erschwere xAIs interne Bewertung der USAMO-Ergebnisse den Vergleich mit unabhängig und einheitlich benoteten Resultaten.

Bei Beweisaufgaben sieht Burnham Fortschritte, aber weiterhin große Grenzen. xAI zufolge erzielte Grok 4 Heavy bei der USAMO 2025 62 Prozent. Eine eingesehene Lösung zu einem schwierigen Problem gehe weiter als frühere Modellversuche, enthalte aber mindestens einen logischen Fehler; eine weitere Lösung weise laut Autor einen Fehler auf, weil sie die Zuteilung von Bruchteilen statt ganzer Cupcakes beweise. Bei der IMO-Bewertung durch MathArena schnitt Grok 4 in zwei Prompt-Varianten schwach ab: Die berichteten Werte lagen bei 12 beziehungsweise 21 Prozent, und keine einzelne Antwort erreichte mehr als 3 von 7 Punkten. Der veränderte Prompt macht den Vergleich weniger direkt. Burnham hält fest, dass Aufforderung und Auswahlverfahren einen großen Unterschied machen können. Zwei konsultierte Mathematiker bewerteten Groks Beweisarbeit ungefähr auf dem Niveau führender Modelle, aber für Forschungsarbeit als unzureichend: Sie sahen Lücken, zu knappe Begründungen und überzeugend wirkende, dennoch falsche Beweise.

Auf FrontierMath erreichte Grok 4 in zwei Läufen 14 und 12 Prozent. Epoch wertet die Werte als statistisch nicht unterscheidbar und ordnet das Modell dort, abgesehen von o4-mini, vor den übrigen getesteten Modellen ein. In den anspruchsvollsten Tier-4-Aufgaben löste Grok 4 eine von 48; andere Modelle hatten diese Aufgabe bereits gelöst. Die Auswertung war zudem durch ein Tokenlimit begrenzt und unterstützte keine Websuche.

Weitere Beispiele zeigen ein gemischtes Bild: Grok 4 erkannte ein ungewöhnliches Geometrieproblem in sechs von zehn API-Versuchen korrekt und korrigierte manchmal zunächst plausible Ansätze. Es machte aber auch einfache Fehler und scheiterte in zehn Versuchen an einer Aufgabe, die eine ungewöhnliche Strategie verlangt. Insgesamt sieht Burnham Grok 4 an der Spitze der damaligen KI-Mathematik, mit einem klaren, aber begrenzten Fortschritt. Die getesteten Fähigkeiten entsprächen noch nicht der Arbeit eines Mathematikers; ob weiteres Skalieren oder andere Methoden nötig sind, lässt der Bericht offen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas drei Zusammenfassungen (kurz, mittel und die Fassung ohne Bezeichnung) wurden gemeinsam geprüft: Sie geben den Bericht sachlich treu wieder, lassen aber mehrere Befunde aus. Die Einordnung bezieht sich auf die Fragen in der Eingabe, die den Bericht über Grok 4 nur am Rande berühren, da er vor allem Fähigkeiten in Mathematik bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Epoch wurde von xAI beauftragt und bezahlt, behielt aber die volle redaktionelle Kontrolle
  • Grok 4 erreichte bei FrontierMath vor allen anderen getesteten Modellen außer o4-mini die besten Werte, und Epoch sah darin nur einen geringen Vorsprung
  • Grok 4 löste sechs FrontierMath-Aufgaben, die kein anderes getestetes Modell gelöst hatte; von 48 Tier-4-Aufgaben löste es nur eine, die bereits andere Modelle gelöst hatten
  • Bei der Turbo-Schnecken-Aufgabe (IMO 2024) lag Grok 4 in allen zehn Versuchen falsch; richtige Endergebnisse entstanden mit ungültiger Strategie
  • Grok 4 nutzt bei Geometrieaufgaben fast immer Koordinaten statt räumlicher Intuition, und der Autor sieht darin ein nicht menschenähnliches Denken
  • Bei der Tetraeder-Aufgabe gab Grok 4 nur in 6 von 10 Versuchen die richtige Beschreibung
  • Die Grok-Lösung zur Cupcake-Aufgabe wendete einen geometrischen Satz falsch an und bewies nur die Variante mit Bruchteilen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 34 %beantwortet teilweise oder widerspricht
    • amos 27 %Hintergrund, keine Belege
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 19 %Hintergrund, keine Belege
    • Luna 50 %einzelne zitierbare Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 31 %gleiches Oberthema, hilft nicht
    • drex 31 %einzelne zitierbare Belege
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 21 %Hintergrund, keine Belege
    • Luna 53 %einzelne zitierbare Belege
    • JEV 55 %beantwortet teilweise oder widerspricht
    • amos 34 %einzelne zitierbare Belege
    • SubQ 26 %gleiches Oberthema, hilft nicht
    • drex 46 %einzelne zitierbare Belege
    • d3-ultra 40 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege
Tempo und Grenzen
  1. SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 22 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 50 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 49 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 6 · 44 % · beantwortet teilweise oder widerspricht · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen? Luna: Stufe 3 · 28 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 35 %beantwortet teilweise oder widerspricht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 38 %beantwortet teilweise oder widerspricht
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 61 %einzelne zitierbare Belege
    • JEV 52 %beantwortet teilweise oder widerspricht
    • amos 25 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 38 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 49 %gleiches Oberthema, hilft nicht
    • JEV 37 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →