Grok-4 : xAI affiche de nouveaux records de raisonnement, mais aussi des limites

À la mi-juillet 2025, xAI place Grok-4 au cœur de sa démonstration de force face à OpenAI, Anthropic et Google DeepMind. La start-up fondée par Elon Musk met en avant une série de scores très élevés sur des benchmarks exigeants, notamment en mathématiques et en raisonnement abstrait. Ces résultats nourrissent la compétition entre les grands modèles de langage, mais ils ne suffisent pas, à eux seuls, à résumer les capacités d’une IA dans tous les usages.

Grok-4 se distingue par une orientation assumée vers le raisonnement : il ne s’agit pas seulement de produire un texte vraisemblable, mais de décomposer un problème, d’examiner plusieurs pistes et de construire une réponse logique. Sa variante Grok-4 Heavy pousse ce principe plus loin en orchestrant plusieurs agents en parallèle. Une approche prometteuse pour les questions les plus difficiles, mais aussi particulièrement coûteuse à faire fonctionner.

Un modèle entraîné pour résoudre des problèmes complexes

Un grand modèle de langage est entraîné à prédire la suite la plus probable d’un texte. Cette aptitude lui permet de rédiger, résumer, traduire ou dialoguer. Toutefois, les exercices de logique, les démonstrations mathématiques et certains problèmes de programmation exigent souvent davantage : vérifier des hypothèses, suivre plusieurs étapes sans perdre le fil et corriger une première intuition erronée.

C’est sur ce terrain que xAI veut positionner Grok-4. L’entreprise explique avoir mis l’accent sur le raisonnement complexe plutôt que sur une approche uniquement généraliste. L’entraînement s’appuie notamment sur l’apprentissage par renforcement, une méthode dans laquelle le système est récompensé lorsqu’il parvient à une solution jugée correcte. Cette technique est désormais centrale dans la course aux modèles dits de raisonnement, à l’image des modèles o d’OpenAI.

Pour soutenir ces travaux, xAI indique avoir mobilisé 200 000 GPU au sein de son superordinateur Colossus. Les GPU, ou processeurs graphiques, sont devenus l’infrastructure stratégique de l’IA générative : ils exécutent en parallèle les calculs massifs nécessaires à l’entraînement et à l’utilisation des modèles. La taille de cette infrastructure illustre l’intensité capitalistique du secteur, où les progrès reposent autant sur les algorithmes que sur l’accès aux puces et à l’électricité.

Grok-4 dispose par ailleurs d’une fenêtre de contexte de 256 000 tokens. Un token correspond à une petite unité de texte, qui peut être un mot, une partie de mot ou un signe de ponctuation. Une large fenêtre de contexte permet au modèle de garder en mémoire davantage d’informations au sein d’une même conversation ou d’un même document. Cela ne garantit pas qu’il les interprète parfaitement, mais c’est un atout pour traiter de longs contenus.

Quels résultats Grok-4 affiche-t-il dans les benchmarks ?

Les résultats communiqués par xAI sont particulièrement marquants sur les évaluations conçues pour départager les modèles les plus avancés. Le modèle standard dépasse notamment l’ancien leader cité par l’entreprise, o3-pro d’OpenAI, sur plusieurs tests.

L’un des plus commentés est Humanity’s Last Exam, une évaluation couvrant des questions académiques très difficiles dans des domaines variés. Grok-4 y obtient 26,9 % de réponses correctes en mode standard. Sa version Heavy monte à 45 %, grâce à l’intervention coordonnée de plusieurs agents. Ce type de test est volontairement ardu : même des scores qui paraissent modestes peuvent donc constituer un écart notable entre deux modèles.

En mathématiques, Grok-4 atteint 100 % sur AIME25, contre 98,4 % pour o3 selon les comparaisons présentées par xAI. Sur HMMT25, une autre évaluation de niveau compétitif, il affiche 96,7 %, tandis que Claude 4 Opus atteint 82,5 % dans les résultats cités.

Ces chiffres doivent néanmoins être lus avec méthode. Les benchmarks dépendent de leur jeu de questions, de la façon dont le modèle est invité à répondre, du temps de calcul qui lui est alloué et des outils éventuels autorisés. Ils sont indispensables pour comparer des systèmes, mais ils ne remplacent pas des tests d’usage réel, par exemple sur la fiabilité d’un conseil, la qualité d’un document professionnel ou la capacité à reconnaître une incertitude.

Pourquoi le score sur ARC-AGI attire-t-il l’attention ?

Grok-4 se démarque aussi avec 15,9 % de précision sur ARC-AGI, selon les résultats relayés par xAI. Le modèle devient ainsi le premier système public à dépasser le seuil des 10 % sur cette évaluation, dont le précédent résultat de référence avoisinait 8 % avec Claude Opus 4. Greg Kamradt, président d’ARC Prize, a confirmé cette performance exceptionnelle.

ARC-AGI n’évalue pas le savoir encyclopédique ni la capacité à écrire un paragraphe élégant. Le test propose des énigmes visuelles et logiques : le système doit déduire une règle à partir de quelques exemples, puis l’appliquer à un nouveau cas. L’enjeu est d’évaluer une forme de généralisation, souvent décrite comme de l’intelligence fluide.

Ce type de résultat est important car les modèles de langage excellent déjà à retrouver et reformuler des structures très présentes dans leurs données d’entraînement. Face à une règle inédite et peu illustrée, ils peuvent en revanche échouer de façon surprenante. Franchir le seuil de 10 % ne signifie pas que le problème est résolu : un score de 15,9 % montre au contraire qu’une large majorité des tâches reste hors de portée du modèle dans ce protocole exigeant.

Grok-4 et Grok-4 Heavy : quelle différence ?

La principale distinction entre les deux offres concerne la manière d’aborder une requête complexe. Grok-4 répond avec un seul système de raisonnement. Grok-4 Heavy peut, lui, répartir la réflexion entre plusieurs agents qui explorent différentes approches avant de consolider une réponse.

Cette orchestration parallèle peut améliorer la robustesse sur des questions difficiles : un agent peut vérifier un calcul, un autre chercher une stratégie alternative, un troisième repérer une erreur de logique. En contrepartie, elle mobilise davantage de ressources informatiques et explique en partie l’écart considérable de prix entre les deux abonnements.

Des limites en images et en programmation

Les performances de Grok-4 ne sont pas uniformes dans tous les domaines. xAI et Elon Musk reconnaissent que la compréhension d’images demeure un point faible. Elon Musk a lui-même décrit le modèle comme partiellement aveugle et a indiqué que ses capacités multimodales devaient être améliorées.

La multimodalité désigne la capacité d’une IA à traiter plusieurs types de contenus, comme du texte, une image, un document numérisé ou, à terme, de l’audio et de la vidéo. C’est un enjeu déterminant pour des usages quotidiens : analyser une facture, comprendre un graphique, commenter une photo ou naviguer dans une interface demandent tous de relier correctement vision et langage. Un modèle très fort en raisonnement textuel n’est donc pas automatiquement le meilleur assistant visuel.

En programmation, le bilan est également plus nuancé. Grok-4 obtient 79,4 % sur LiveCodeBench, un score qui le place au niveau de Gemini 2.5 Pro dans la comparaison présentée, mais légèrement sous o3. LiveCodeBench vise à mesurer la capacité d’un modèle à résoudre des exercices de code récents et variés, au-delà de la simple génération de fragments de programme plausibles.

Cette différence compte pour les développeurs. Écrire quelques lignes de code, expliquer une fonction existante ou produire un prototype ne demande pas exactement les mêmes compétences que résoudre un problème algorithmique complet, déboguer un projet réel ou maintenir une application pendant des mois. Les scores constituent un indicateur utile, pas une garantie de production.

Prix, accès et feuille de route de xAI

Grok-4 est proposé au grand public au sein de l’abonnement SuperGrok, à 30 dollars par mois. L’accès à Grok-4 Heavy est facturé 300 dollars mensuels. À ce tarif, xAI se positionne parmi les fournisseurs d’IA les plus coûteux pour les utilisateurs individuels, avec une offre clairement tournée vers les personnes prêtes à payer pour des capacités de raisonnement renforcées.

L’API de Grok est également accessible, ce qui ouvre la voie à une intégration dans des applications et services tiers. Au moment de la publication, les tarifs de cette API restent toutefois à déterminer dans les informations communiquées.

xAI annonce également un calendrier de produits ambitieux pour les mois suivants :

• un modèle spécialisé dans le code en août 2025 ;
• un agent multimodal en septembre 2025 ;
• un modèle de génération vidéo en octobre 2025.

Cette feuille de route montre que xAI entend couvrir rapidement les grands terrains de compétition de l’IA générative : programmation, compréhension combinée du texte et de l’image, puis création vidéo. Elle reste néanmoins un calendrier annoncé, dont la mise en œuvre et les performances devront être vérifiées lors des lancements effectifs.

Ce qu’il faut surveiller après les records annoncés

Grok-4 confirme que la concurrence ne se joue plus uniquement sur la fluidité d’une conversation. Les laboratoires cherchent désormais à démontrer des gains mesurables en logique, en mathématiques, en code et en planification. Dans cette course, les modèles capables de consacrer plus de calcul à une question, seuls ou avec plusieurs agents, peuvent prendre un avantage sur les tâches les plus complexes.

Le défi pour xAI sera de transformer ces performances de laboratoire en expérience fiable et accessible. Le prix de Grok-4 Heavy limite de fait son audience, tandis que les faiblesses en compréhension d’images rappellent qu’un modèle de pointe peut rester très inégal selon le type de demande. Les futures annonces sur le code, la multimodalité et la vidéo permettront de juger si xAI comble ces écarts.

Enfin, les comparaisons avec OpenAI, Anthropic et Google DeepMind devront continuer à être examinées benchmark par benchmark. Un leader sur une épreuve de mathématiques n’est pas forcément le meilleur pour analyser une image, écrire du code ou répondre à un besoin professionnel concret. Pour les utilisateurs, le bon modèle restera celui qui combine performance, fiabilité, coût et adéquation avec la tâche à accomplir.