xAI Grok 4 Neler Sunuyor? Nasıl Kullanılır?

Yapay zeka sahnesine etkili bir giriş yapan xAI, Grok isimli sohbet robotuyla hızla popülerlik kazanmayı başardı. X platformu bir yana, bu yükselişin ardındaki en büyük paylardan biri de sürekli olarak geliştirilen model yapısı.

Bizler Grok 3.5’i beklerken, xAI buçuklu sürümü atlayarak doğrudan Grok 4’e geçiş yapmayı seçmişti. Peki neler değişti? Grok 4, pek çok konuda kağıt üzerinde dünyadaki en iyi modellerden, belki de en iyi model haline dönüştü.

Grok 4 Nedir?

Elon Musk’ın yapay zeka şirketi xAI, bildiğiniz gibi kendi yapay zeka platformuna “Grok” adını vermişti. Zaman içinde yeni sürümler tanıtıldı, son nokta ise Grok 4 oldu. Grok 3‘ü geçmişte detaylıca ele almıştık. 2025 Temmuz ayının ortalarında ise Grok 4 adlı yeni çok modlu yapay zeka modeli duyuruldu.

xAI, Grok 4’ün akademik, matematiksel ve akıl yürütme ölçütlerinde yüksek performansa sahip üst düzey bir yapay zeka modeli olduğunu iddia etti. Ek olarak, çoklu ajan araçlarına sahip Grok 4 Heavy sürümü popüler yapay zeka ölçütlerinde daha da etkileyici kazanımlar sağlıyor.

Grok 4 ailesi yalnızca Grok 4 ve Grok 4 Heavy modellerini içeriyor, hızlı akıl yürütme için kullanabileceğimiz bir mini versiyon yok. Grok 4, xAI’ın en son tek ajan modeli konumunda. Yani birden fazla ajan (agent) kullanan Grok 4 Heavy’den farklı.

Şirketin duyurusunda mühendislik açısından özellikle çığır açan bir şey yoktu. Öte yandan xAI, modellerinde bazı küçük ayarlamalar yaptı ve Grok 3’te kullanılanın yaklaşık 10 katı kadar önemli bir hesaplama performansı artışı sağladı. xAI’a göre son model Grok 3’e kıyasla 10 kat daha fazla hesaplama gücü kullanmakta. Buna istinaden Grok 4’ün bugün mevcuttaki en akıllı model olduğunu iddia ediyorlar. İddia ediyorlar lakin karşılaştırma sonuçları da iddiaları doğruluyor.

En dikkat çekici sonuç, matematik, fizik, kimya, dilbilim ve mühendislik alanlarını kapsayan, 2.500 adet elle seçilmiş doktora düzeyinde sorudan oluşan Humanity’s Last Exam testinden geldi. Grok 4 (araçlarla birlikte) sorunların yaklaşık %38,6’sını çözmeyi başardı.

Uygulamada bağlam penceresi 128.000 token, API’de ise 256.000 token. Bu uzun formlu akıl yürütme için biraz alan sağlıyor, ancak mevcut standartlara göre çok da büyük sayılmaz. Örneğin Gemini 2.5 Pro 1 milyon token sunuyor. Grok ile geliştirme yapıyorsanız, bağlamınızı dikkatlice yapılandırmak ve kırpmak için zaman harcamanız gerekecek.

Açıkça belirtmek gerekirse Grok 4, gündelik sorular yöneltebileceğiniz basit bir AI modeli değil. Basit işler için Grok 3’ü kullanmanız daha yerinde olur, daha hızlı sonuç alabilirsiniz.

Ek olarak, tüketiciler için xAI’nin yeni abonelik katmanları mevcut. Temel ücretsiz katmanda Grok 3’e yalnızca sınırlı erişim sağlanacak. SuperGrok planı aylık 30 dolar, Grok 4 ve Grok 3 modellerine daha fazla geniş sağlanabiliyor. 300 dolar/aylık SuperGrok Heavy planı ise Grok 4 Heavy, Grok 4 ve Grok 3 modellerine erişim imkanı tanıyor.

Grok 4 Performansı

Grok 4’ün en dikkat çekici yanı, akademik sınavlardan iş simülasyonlarına kadar çok çeşitli testlerde gösterdiği performans. xAI, modelin önceki sürümlerine göre önemli ölçüde daha iyi olduğunu dile getiriyor. Bu gelişim yeni mimari atılımlar sayesinde değil, daha çok eğitim ve çıkarım aşamalarında daha fazla hesaplama gücü kullanılması sayesinde gerçekleşti.

Humanity’s Last Exam (HLE)

Grok 4’ün performansının arkasındaki temel model ölçeklendirme. Daha fazla eğitim hesaplama gücünden ve daha da ilginci, daha fazla test zamanı hesaplama gücünden yararlanıyor. Basit bir ifadeyle: Ne kadar çok kaynak ayırırsanız, o kadar iyi performans sağlarsınız. Bahsettiğimiz durum, İnsanlığın Son Sınavı anlamına gelen Humanity’s Last Exam testinde kendini özellikle hissettiriyor.

Araç kullanımı olmadan Grok 4, yaklaşık %26,9 doğruluk oranında sabit kalıyor. Araçlar etkinleştirildiğinde (ör. kod yürütme) %41,0’a ulaşıyor, Heavy (çoklu ajan) yapılandırmasında çalıştırıldığında ise %50,7’ye çıkıyor. Elde edilen bu skor, önceki araçsız model skorlarının iki katından fazla.

Akademik ve STEM Kıyaslamaları

En yeni Grok modeli, yüksek performanslı LLM’leri karşılaştırmak için bu alanda yaygın olarak kullanılan, daha geleneksel STEM odaklı değerlendirmelerde de iyi sonuçlar elde ediyor:

Grok 4, çoğu kategoride Claude Opus, Gemini 2.5 Pro ve GPT-4 (o3) modellerinden daha iyi performans göstermekte. Ancak bazı kullanıcılar, karşılaştırmalarda rakip modellerin temel puanlarının seçici bir şekilde kullanılmış olabileceğini belirtiyor.

ARC-AGI (Gelişmiş Muhakeme)

En zor ve belirsiz benchmarklardan biri de modelin soyut muhakeme görevlerinde genelleme yapma yeteneğini test eden ARC-AGI. Grok’un son sürümü, ARC-AGI v1’de bilinen tüm rakiplerinin önüne geçerek %66,6 puan elde etti. ARC-AGI v2’de ise Claude 4 Opus %8,6’lık skor kaydederken, Grok 4 %15,9 puan aldı.

Yukarıdaki testler tamamen kamuya açık değil, bu nedenle olağan uyarılar geçerli. Ancak rakamlar doğruysa, Grok 4 çok adımlı, mantık ağırlıklı akıl yürütme görevlerinde güçlü bir performans sergiliyor diyebiliriz.

Vending-Bench (İş Simülasyonu)

xAI, Grok 4’ü Vending-Bench adlı gerçek dünya simülasyonunda da test etti. Buradaki amaç, bir modelin zaman içinde küçük bir işletmeyi yönetip yönetemeyeceğini görmek: Stokları yenilemek, fiyatları ayarlamak, tedarikçilerle iletişime geçmek gibi.

Vending-Bench oldukça yeni bir benchmark çeşidi. Sonuçlar ise şöyle: