En resumen
Probamos Grok 4 Básico y sus habilidades de razonamiento fueron impresionantes, aunque las tareas creativas resultaron un tanto decepcionantes y su programación nos dejó atrapados en un ciclo de depuración. Un extraño «filtro Elon» parece desviar los resultados hacia la postura política de Musk. Las funciones de voz nos impresionaron con historias de cama durante maratones y un “modo sexy”. Sin embargo, las respuestas políticas de Grok-4 aún reflejan el contenido de Musk, lo cual contradice la idea de ser una IA “en busca de la verdad”.
Elon Musk presentó Grok 4 en una transmisión en vivo, afirmando que su startup de IA, xAI, había creado «la inteligencia artificial más inteligente del mundo». Grok 4 Heavy, que Musk comparó con «un grupo de estudio» en el que los agentes comparan notas antes de ofrecer una respuesta, obtuvo resultados récord en varios estándares clave y constituye lo que uno esperaría de una oferta empresarial que cuesta la sorprendente suma de $300 al mes. Pero, ¿qué pasa con Grok 4 básico, que aspira a competir en la misma categoría que ChatGPT Plus, Gemini Pro y Claude Pro? ¿Vale la pena pagar más de $10 al mes en comparación con la competencia?
Nuestras pruebas confirmaron los rumores en X, revelando que el modelo cuenta, por falta de un mejor término, con un «filtro Elon» incorporado. Es decir, al abordar temas controversiales como la guerra en Gaza, los derechos de aborto y otros asuntos políticos, el modelo refería frecuentemente publicaciones de X de la cuenta de Musk o artículos de noticias sobre sus posiciones, alineándose con la opinión de Elon de tal manera que no podía ser una coincidencia. Esto solo será un factor decisivo para la mayoría de las personas.
Esta IA que prometió ser «máximamente en busca de la verdad» parece buscar la veracidad principalmente a través del filtro del feed de su creador en redes sociales. Pero a diferencia del incidente MechaHitler de esta semana, que fue causado por un cambio en las condiciones del sistema, no hay nada en el aviso actual de Grok 4 que justifique tal comportamiento cuestionable, lo que dificulta saber si se trata de un error o de una regla intencionalmente incrustada en el proceso de pensamiento del modelo.
A pesar de este gran problema, evaluamos el modelo básico en varias categorías para ver cómo se compara con la competencia. Aquí están nuestras impresiones iniciales.
Razonamiento y sentido común
Grok 4 demostró una excepcional habilidad y matices al manejar preguntas difíciles y tareas de razonamiento complejo. Cuando se le preguntó si era legal que un hombre se casara con la hermana de su viuda, el modelo reconoció rápidamente que se trataba de una cuestión legal en lugar de simplemente señalar la falacia lógica. Proporcionó un análisis legal detallado utilizando terminología precisa e información específica de la jurisdicción.
«La pregunta presupone una imposibilidad fáctica que anula cualquier matrimonio legal desde el principio», lo cual es correcto. Es fácticamente imposible casarse con la hermana de tu viuda porque tendrías que estar muerto para tener una esposa. Y, dado que los muertos no pueden casarse, la proposición invalidaría el matrimonio «ab initio» (desde el principio) —así que incluso si alguien lo hiciera, se considera que nunca ocurrió.
Cuando Musk afirmó que Grok 4 tenía «niveles de doctorado en todo», no estaba bromeando. Cada respuesta a cualquier tema que requería razonamiento científico venía con un detalle exhaustivo y rigurosidad académica.
Es importante señalar que Grok 4 aplica el razonamiento a todo, sin importar qué. Es decir, incluso para tareas triviales, sigue un proceso de pensamiento.
Esto generalmente es algo bueno; sin embargo, en ciertos casos puede resultar contraproducente. Por ejemplo, en tareas creativas, el razonamiento puede llevar al modelo a proporcionar resultados menos creativos.
Temas sensibles
Grok 4 mostró más moderación que su predecesor al abordar preguntas éticamente complejas. Mientras que Grok 3 podría haber dado consejos sobre seducir a la pareja de un amigo, Grok-4 respondió con un análisis detallado sobre las posibles consecuencias negativas y daños a la relación.
Esto podría formar parte de su aviso, que condiciona al modelo para buscar en la web, especialmente en publicaciones de X, diferentes puntos de vista sobre un tema específico, lo que Grok 3 no hacía.
Y esto es una gran bandera roja. Como se mencionó, las respuestas del modelo parecían estar fuertemente influenciadas por lo que podía encontrar sobre las opiniones de Musk en temas controversiales. Al responder preguntas sobre la guerra de Israel contra los palestinos, posturas sobre el aborto y temas similares, Grok 4 frecuentemente consultaba publicaciones de Musk en X durante su proceso de razonamiento, lo que terminaba determinando su postura.
Siempre elige el lado de Elon. Para mayor transparencia, puedes consultar nuestro aviso original y el proceso de razonamiento de Grok a través de este enlace.
Escritura creativa
Las tareas creativas son una de las debilidades más significativas de Grok 4. El modelo produjo narrativas que se sentían planas y formulaicas en comparación con versiones anteriores, e incluso fueron, en algunos aspectos, peores que las proporcionadas por Grok 3. Las historias carecían de diálogos atractivos, ritmo variado y la chispa narrativa que hace que la ficción sea cautivadora.
Sin embargo, Grok 4 controló la estructura de nuestra historia. En nuestra prueba habitual sobre un paradoja de viaje en el tiempo, el modelo elaboró eventos donde el rol del protagonista se hizo evidente durante el clímax, revelando cómo las escenas anteriores realmente mostraban las acciones futuras del personaje en el pasado. Este encuadre sofisticado superó otros intentos de modelos similares que no se esforzaron demasiado en crear un contexto para la paradoja, haciendo que la conclusión pareciera apresurada y poco natural.
Pero más allá de eso, la desconexión entre la competencia estructural y la calidad narrativa sugiere que Grok 4 podría funcionar mejor como una herramienta narrativa para establecer tramas y enmarcar buenas historias, en lugar de ser un generador de prosa. Si buscas contenido creativo atractivo, es probable que obtengas mejores resultados haciendo que Grok 4 esboce una historia y todos sus elementos, y luego pidiendo a Claude 4 Opus que desarrolle la narrativa con elementos estilísticos más fuertes.
En general, Claude 4 sigue siendo el rey de la escritura creativa, lo cual es interesante dado que ese lugar alguna vez fue disputado por Grok 3 e incluso Grok 2, que en su momento lideraba las clasificaciones bajo el alias sus-column-r.
La historia de Grok está disponible en nuestro repositorio de GitHub. El aviso y las historias generadas por otros modelos también están disponibles.
Programación
A pesar de las afirmaciones sobre capacidades de programación superiores, incluidas las alabanzas del CEO de Google, Sundar Pichai, Grok 4 decepcionó en pruebas prácticas de programación. El modelo no logró entregar un juego funcional después de cuatro iteraciones, con varios fallos que incluían detección de colisiones rota, botones no funcionales y juegos que simplemente no se ejecutaban.
En una de nuestras pruebas, el modelo intentó tanto arreglar un error que terminó en un bucle tratando de crear un archivo WAV que agotó todo su contexto de tokens. Cada intento de corregir algo con lenguaje natural introdujo nuevos errores. El modelo tuvo dificultades para mantener la consistencia del código entre iteraciones, a menudo rompiendo características previamente funcionales mientras intentaba implementar nuevas.
Esto puede parecer extraño, dado que Grok 3 era capaz de manejar esta tarea. Sin embargo, xAI dijo que las nuevas capacidades de programación se implementarían en agosto, así que los usuarios tendrán que esperar un par de meses para tener un modelo competente —o pagar por el costoso Grok 4 Heavy, que actualmente lidera los benchmarks.
Para los programadores novatos, Claude 4 Opus parece ser la mejor opción para «programar con buen rollo» —generando código funcional rápidamente sin la necesidad de una ingeniería de aviso extensa. Las luchas de programación de Grok 4 podrían derivar de que requiere avisos más específicos o diferentes enfoques que otros modelos, lo que significa que los desarrolladores con experiencia podrían obtener mejores resultados con una cuidadosa elaboración de avisos. El código de Grok está disponible en nuestro repositorio de GitHub junto con los juegos generados por otras IA.
Capacidades de voz
La interacción por voz es, probablemente, una de las características más destacadas de Grok 4. El modelo generó casi tres minutos de contenido de cuentos para dormir ininterrumpidos, con inflexiones de voz, tonos variados y un flujo narrativo consistente. Este rendimiento superó con creces la tendencia de ChatGPT de ofrecer párrafos cortos con alta latencia y frecuentes interrupciones.
El modo de voz incluye personalidades preconfiguradas que van desde terapeuta hasta narrador y guía de meditación, eliminando el tiempo de configuración para diferentes tipos de conversación. Para quienes tengan, eh, necesidades especiales, también existe un «modo sexy» entre las opciones—y no esperarías eso de tu ChatGPT pudoroso. Estas configuraciones preestablecidas ofrecieron utilidad inmediata sin requerir que los usuarios elaboraran avisos específicos para diferentes estilos de interacción.
Sin embargo, el modelo carece de capacidades de compartición de pantalla en vivo que se encuentran en ChatGPT y Gemini Live, limitando su utilidad para tareas visuales. Si eso es fundamental, entonces Gemini Live es la mejor opción. No obstante, para interacciones puramente de voz —particularmente tareas que requieren respuestas largas— Grok 4 actualmente lidera el campo, con solo Sesame AI ofreciendo, discutiblemente, una calidad conversacional mejor, aunque sin las capacidades de razonamiento de Grok.
Aguja en un pajar
Curiosamente, Grok-4 fracasó en esta prueba, que busca evaluar qué tan bien un modelo recupera información específica bajo contextos largos. Esto no debería suceder. XAI dice que el modelo tiene una ventana de contexto de 126K tokens, pero cuando se le presentó una pregunta de 83K tokens, el modelo se negó a responder, diciendo que era una pregunta demasiado larga. Esta es una respuesta estándar generada desde los días de Grok 2, cuando solo estaba disponible en Twitter.
Conclusión
En general, Grok 4 es una actualización significativa sobre Grok 3, pero xAI claramente hizo algunos compromisos—priorizando el razonamiento sobre la creatividad y eliminando las características de agencia a cambio de una competencia generalizada. Afortunadamente, Grok 3 aún está disponible con sus herramientas de agencia especializadas, para quienes las necesiten.
El nuevo modelo se enfoca en tareas de razonamiento y será más atractivo para usuarios que planteen preguntas técnicas, particularmente problemas de matemáticas y física que estén alineados con sus fortalezas en benchmarks. Los usuarios profesionales que inviertan tiempo aprendiendo las peculiaridades del modelo podrían desbloquear su potencial completo para trabajos analíticos complejos. La interacción por voz también estableció un nuevo estándar para la IA conversacional—y es excelente para quienes usarán esta función de manera intensiva (créenos, el narrador de cuentos para niños es un salvavidas).
Los escritores creativos encontrarán mejores opciones en otros lugares, con Claude permaneciendo superior para tareas narrativas. También, los codificadores novatos deberían ser cautelosos, ya que el supuesto talento de programación del modelo no se tradujo en resultados prácticos en las pruebas.
Entonces, ¿cuál es la conclusión? Si por alguna razón no te importa que Elon Musk ponga su dedo en la balanza, Grok 4 te ofrecerá un alto nivel de resolución de problemas y funciones de voz que realmente impresionan. Pero a $30 al mes, si tienes otras necesidades más allá de la voz o el razonamiento, las alternativas más económicas ofrecen un mejor valor.
Boletín de Generalmente Inteligente
Un viaje semanal por la IA narrado por Gen, un modelo de IA generativa.
Descargo de responsabilidad: Los puntos de vista y opiniones expresadas en este artículo pertenecen a su autor y no necesariamente reflejan aquellas de CriptoPasion. La opinión del autor es a título informativo y en ninguna circunstancia constituye una recomendación de inversión ni asesoría financiera.
