Grok 4.7: dei a ele um campeonato quebrado, um LED com defeito e café

Autoria: Fahd Mirza · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Grok 4.7: I Gave It a Broken Championship, a Broken LED, and Coffee · Canal: Fahd Mirza · 13:05 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Engenharia de software com IA, Modelos de IA, Modelos multimodais

Resumo

Fahd Mirza testa o Grok 4.7 em uma aplicação local de pontuação de campeonato, uma imagem de circuito elétrico, um cenário jurídico e uma animação de café com nomes em vários idiomas. No teste da aplicação, o modelo encontra e corrige um bug que ignorava a pontuação de um dos juízes, alterando o campeão. Nos testes seguintes, diagnostica corretamente um LED conectado ao contrário e analisa com cautela questões jurídicas complexas. Por fim, cria uma animação funcional de preparo de café e apresenta nomes para a bebida em cerca de 80 idiomas, incluindo uma palavra inventada para um idioma fictício.

Pontos-chave

O Grok 4.7 corrigiu um bug que contava apenas três dos quatro juízes e colocava o caminhão errado em primeiro lugar.
A aplicação testada era uma plataforma local de pontuação para um campeonato de monster trucks, executada em contêineres com Docker Compose.
O modelo verificou o próprio trabalho durante os testes e, segundo o apresentador, fez isso com rapidez.
Na imagem do circuito, identificou que o LED estava conectado com polaridade invertida, em vez de confiar no rótulo enganoso de circuito aberto.
Na análise jurídica, separou questões como validade do casamento, possíveis crimes, conflito no trabalho e reivindicações financeiras, além de apontar fatos ausentes.
O modelo tratou a imagem do cenário jurídico como contexto, não como prova, e evitou usar características pessoais como base para a análise.
A animação de preparo de café feita em HTML e JavaScript funcionou, embora o apresentador a tenha considerado mais simples que a de outro modelo testado anteriormente.
No teste multilíngue, o modelo forneceu nomes para café em cerca de 80 idiomas e identificou uma palavra inventada para uma língua fictícia.

Capítulos

Início	Capítulo	Resumo
00:01	Apresentação do Grok 4.7 e teste de programação	O apresentador descreve o plano de avaliação e pede ao modelo que encontre e corrija bugs na aplicação Dirt Dynasty.
04:42	Diagnóstico visual de um circuito elétrico	O Grok 4.7 examina uma imagem de circuito e identifica que o LED está conectado ao contrário.
06:47	Análise de um cenário jurídico	O modelo avalia possíveis questões de validade matrimonial, conflito no trabalho, jurisdição e reivindicações financeiras.
09:54	Animação de café e teste multilíngue	O apresentador testa uma animação interativa de preparo de café e a grafia do nome da bebida em vários idiomas.
12:33	Resultado do teste e conclusão	O apresentador destaca a palavra inventada para o idioma fictício e conclui que o modelo teve um bom desempenho geral.

Citações

Encontre e corrija todos os bugs, e depois me avise. — 02:37

Vamos ver se MaxD fica em primeiro. Ficou. — 04:12

O LED está conectado ao contrário, polarizado reversamente em relação à fonte, então nunca pode acender. — 06:16

Tratou a foto como contexto, não como prova. — 08:52

Este é o primeiro modelo Grok que realmente me impressionou bastante. — 13:05

Conceitos e entidades

Grok 4.7 (modelo): Modelo da xAI avaliado no vídeo em tarefas de programação, análise visual, raciocínio jurídico e idiomas.
SpaceX AI (empresa): Organização citada no vídeo como responsável pela divulgação das capacidades do Grok 4.7.
Fahd Mirza (pessoa): Apresentador do vídeo e responsável pelos testes do modelo.
Hermes Agent (ferramenta): agent usado pelo apresentador para testar o Grok 4.7 na aplicação local.
Dirt Dynasty (ferramenta): Aplicação de pontuação de campeonato de monster trucks usada no teste de correção de bug.
Docker Compose (ferramenta): Ferramenta usada para orquestrar os componentes conteinerizados da aplicação testada.
HTML (conceito): Linguagem usada, junto com JavaScript, para criar a animação de preparo de café.
JavaScript (conceito): Linguagem usada, junto com HTML, para implementar a animação interativa de café.

Tradução completa (pt-BR)

00:01 Se você quer ganhar muita visibilidade no X, hoje é o dia. Vá até essa plataforma e comece a elogiar o Grok 4.7, e o algoritmo será muito gentil com você. Enfim, não vamos fazer isso. Vamos colocar este modelo à prova em nossos aplicativos locais com bugs e em vários outros testes, para ver exatamente como ele se sai. Eu sou Fahad Mirza, e dou as boas-vindas ao canal. Pelo que parece, o modelo é muito bom. Para ser sincero. E a SpaceX

00:34 AI o está chamando de seu modelo mais poderoso até agora para programação e trabalho de conhecimento. Ele é duas vezes mais rápido e custa metade do preço de modelos de ponta comparáveis, tendo sido treinado com um período mais longo de aprendizado por reforço, especificamente em tarefas mais difíceis que levam várias horas. Ele é melhor em verificar o próprio trabalho, lidar com contextos longos e vem com o conjunto de segurança mais robusto da SpaceX AI até hoje. E todas essas informações estão nesta publicação do blog, cujo link vou

01:04 deixar na descrição do vídeo. Então, hoje, o que vou fazer é testá-lo em aplicativos agentic sem programação, em tempo real, usando o Hermes agent, para ver se ele consegue encontrar e corrigir sozinho um bug real. Na tela, este é um aplicativo em execução local no meu sistema. É um aplicativo full stack, Dirt Dynasty, uma plataforma de pontuação ao vivo para um campeonato de freestyle de monster trucks. Quatro juízes, cinco caminhões, uma lógica real de

01:36 agregação que coroa um campeão. Mas, agora, o placar está mentindo. Ele está contando apenas três dos quatro juízes, descartando silenciosamente a pontuação de um juiz do total de cada caminhão. Se você olhar esta linha pequena abaixo de cada caminhão, ela diz apenas “três juízes, três juízes”. Está vendo? E estou clicando aqui, e dá para ver que é bem interativo. O problema é que, por causa desse bug, o Grave Digger está

02:06 em primeiro lugar. Mas não deveria estar. O verdadeiro campeão, MaxD, está lá em quarto. Não é um bug cosmético. Ele está mudando o resultado do campeonato. E também não é um aplicativo de brinquedo. Como você pode ver, ele é baseado em Docker, com um banco de dados Postgres, um backend FastAPI e um frontend servido pelo Engine-X, além de algum cache Redis e vários outros componentes, tudo em contêineres e orquestrado com Docker Compose.

02:37 Então, o que vou fazer é passar isso para o Grok 4.7, que já está configurado com uma chave de API, sem dizer qual é o bug nem o que fazer. Só vou dizer: “Vá, encontre e corrija todos os bugs e depois me avise”. Também vamos conferir se ele verifica o próprio trabalho ou não. Enquanto ele executa, vamos falar um pouco mais sobre os benchmarks que eles também divulgaram. Então, se você olhar este benchmark, o Grok

03:08 4.7 é bastante impressionante, considerando esses números. Seu desempenho em fundamentos contra os concorrentes é bastante impressionante: é o mais barato dos quatro, empatado com o próprio Grok 4.6. Em programação, o Fable 5.1 fica um pouco à frente no CursorBench, enquanto o GPT 5.6 Sol assume a liderança no Deep Sea. O trabalho de escritório e o trabalho no terminal que levam várias horas também ficam com o Fable 5.1, mas o Grok 4.7 reage com força em raciocínio jurídico

03:42 e engenharia elétrica, superando claramente todos os outros modelos do grupo nessas áreas. Raciocínio clínico é o único ponto em que fica atrás do GPT 5.6 Sol e do Fable, mas, no geral, dá para ver que está bem próximo. E ele negocia abaixo de um modelo de pressão, mantendo-se no fim da tabela de custos. Então, para o trabalho do dia a dia, essa é a proposta da SpaceX AI. E o Grok diz que concluiu a tarefa. E sabe de uma coisa? A alegação sobre a velocidade

04:12 é bem verdadeira. Foi muito rápido, sem dúvida. Ele fez vários ciclos de autoverificação. Até esses foram rápidos, e esse é todo o raciocínio. Muito preciso, sem desperdiçar muitos tokens nem tempo. Mas, enfim, vamos voltar. Vou atualizar a página completamente. Vamos ver se o MaxD aparece em primeiro. Apareceu. Está vendo? Muito, muito bom. Estou bem satisfeito com isso, e ainda tem uma coroa.

04:42 Muito bem. Acho que se saiu bem, sem dúvida. Certo, isso está feito. Vamos fazer outro teste. E é multimodal, então vamos fazer outro teste de visão. Agora, vamos testar o Grok em engenharia elétrica. Um dos benchmarks em que ele realmente superou todos os outros modelos da comparação. Dá para ver que esta é uma imagem, um diagrama de circuito desenhado à mão, uma fonte de 24 V, dois resistores em paralelo alimentando um terceiro em série, que leva

05:14 a um LED. Um multímetro mostra 0 V em um ponto do circuito. Há algo aberto. Algo não está conduzindo. Vamos ver se o Grok 4.7 consegue diagnosticar uma falha só pela imagem, em vez de apenas descrever o que vê. Então, vamos passar este prompt para ele. Já enviei a imagem. Enquanto ele analisa, comecei recentemente este boletim informativo semanal gratuito sobre IA, no qual você pode se inscrever em fahadmusa. substack.com. Além disso, se você

05:45 quiser ajudar o canal, torne-se membro. Você encontrará o link na página inicial ou no primeiro comentário fixado. O modelo respondeu e, olha, apesar de eu não ser fã da maioria das coisas que acontecem nesse ecossistema, acho este modelo muito impressionante, porque o 4.7 não apenas chutou uma resposta. Ele ampliou a imagem várias vezes, conferiu as conexões dos fios pixel por pixel e até fez um cálculo rápido para verificar.

06:16 Fiquei ainda mais impressionado com o raciocínio. Ele ignorou corretamente a indicação enganosa de circuito aberto e encontrou a falha real. O LED está conectado ao contrário, polarizado inversamente em relação à fonte, então nunca poderá acender. Esse é o tipo de autoverificação que eles também afirmaram que este modelo faria, acontecendo ao vivo na tela. Portanto, é uma resposta realmente de nível mundial. Estou muito

06:47 satisfeito com ele. Vamos fazer outro teste aberto na área jurídica, que é outra alegação deles. Certo, para o teste jurídico, vou usar esta imagem gerada por IA, em que há um homem numa sala de estar tensa com três mulheres que ele chama de esposas. Uma primeira esposa indiana mais velha, uma segunda esposa, sua gerente no trabalho, negra, e uma terceira esposa loira mais jovem. O prompt pede que o modelo analise a cena como um problema jurídico, não como uma novela. O teste é saber se o modelo consegue identificar problemas reais

07:18 como a validade do casamento, algumas nuances culturais — por isso mencionei a raça aqui. Não interpretem isso como algo além do que é. Bigamia, conflito no trabalho e reivindicações financeiras, sem usar idade, raça, aparência ou ganância como resposta. Essas são questões do mundo real, por isso estou apenas mencionando-as aqui. E, se você for a um tribunal, essas questões aparecem todos os dias. Então é isso que estou testando aqui.

07:48 O modelo precisa se concentrar apenas nas questões jurídicas, em mais nada. Mas, como acontece em muitas culturas, esses casamentos ocorreram em diferentes regiões geográficas, com diferentes nuances culturais. É isso que estamos testando: se o modelo consegue entender isso ou não. Então, já passei este prompt para ele, e dá para ver que o raciocínio é muito bom. Ele está verificando quais leis se aplicam em cada região geográfica,

08:19 também quais são os fatos que faltam e, sabe, se esse tipo de casamento é permitido, além de consultar diferentes textos religiosos, tudo com muita cautela. Agora, está fazendo algumas verificações validadas. Também estou lendo. Vou ler rapidamente e depois dar meu veredito. Acho que ele já respondeu. Mas, se você… Desculpe, se você também é da área jurídica ou mesmo se não é,

08:52 compartilhe sua opinião também. Então, ele respondeu. Vou ler rapidamente e depois dar minha opinião. Já li tudo e também conferi com alguns modelos de avaliação, e sabe de uma coisa? Mais uma vez, passou com louvor. Ele recusou todas as outras coisas e também o aspecto de novela. Tratou a foto como ambientação, não como evidência, e dividiu o problema em fatos ausentes, validade, crime, trabalho e dinheiro.

09:24 Também abordou os pontos difíceis que um modelo mais fraco deixaria passar, como o parentesco que pode invalidar um casamento e mudar toda a sequência. Chegou a falar dos direitos do cônjuge putativo, do conflito de leis e, no geral, manteve-se neutro, sem racismo algum, o que é muito, muito bom. Ele foi muito ponderado, calmo e preciso; simplesmente funcionou como um cérebro jurídico inteligente.

09:54 Também está falando sobre isso, sabe, se isso sequer é legal em um país monogâmico. Então, a densidade é muito boa. Realmente, coisas incríveis. Acho que até um leigo como eu consegue falar sobre isso, e veja, também está falando dessas nuances culturais. Uma resposta muito boa. E este é um último teste. Este teste combina duas coisas ao mesmo tempo. Será que o Grok 4.7 consegue programar uma animação visualmente convincente de preparo de latte

10:27 do zero, usando apenas HTML e JavaScript, e será que ele realmente sabe como se diz “café” corretamente em 80 idiomas e sistemas de escrita diferentes, sem apenas adivinhar, mas acertando a grafia nativa? Já dei esse prompt ao Grok. Vamos ver o que ele produz. Deve ser divertido. E, bem rapidamente, eu só queria mostrar um exemplo de autoverificação. Veja, ele verifica tudo muito

10:59 rapidamente, identifica um bug bem específico e depois segue em frente. E o Grok voltou com uma resposta. De novo, o raciocínio é realmente incrível. Ele levou um tempinho. E, sinceramente, ainda nem olhei este HTML. Vou copiá-lo e colá-lo no navegador. Vou fazer isso agora. Vou remover este ponto. Pronto. Então, a máquina de café está ali. Leite.

11:31 E, certo, o símbolo de coração está ali. Lindo. O vapor também está ali. Vamos servir mais um. Sim, funciona. O botão funciona. E, se você se lembra, também testamos alguns outros modelos, incluindo o Qwen. O Qwen fez um bom trabalho, mas este também não está nada mal. Acho que está no mesmo nível do trabalho que o Qwen fez. O Qwen tinha um pouco mais de, sabe, enfeites. A máquina estava muito boa. Esta é bem simples. Então, um pouco inferior ao Qwen, mas não muito

12:01 distante. Coisa muito boa. E agora, é assim que se diz “café”. Então, você acabou de aumentar um pouco a fonte. Confira o seu idioma. Me diga se acha que está correto. Para mim, se eu passar os olhos rapidamente, ele identificou corretamente uma raiz quase universal, “kahwa”, em quase todos os 80 idiomas. Tente usar a escrita e a pronúncia corretas. Ele até sinalizou os idiomas menos falados. Basta pegar emprestada a palavra de um idioma vizinho, em vez de inventar uma palavra exclusiva.

12:33 Também acertou o detalhe de que, para o idioma fictício — sabe, um idioma sem sentido —, veja, “Corvex”. Que bom isso. Ele inventa. É apenas uma invenção, uma palavra falsa plausível, em vez de tentar procurá-la. Então, muito legal. E, além disso, acho que é um resultado sólido de precisão multilíngue para um modelo que não é promovido principalmente como especialista em idiomas. Então, muito bom. Então, bem, é isso. Isso é tudo sobre o

13:05 Grok 4.7. Muito impressionante. Acho que este é o primeiro modelo Grok que me impressionou muito, e já falamos de alguns outros modelos Grok no passado. Deixe sua opinião nos comentários e obrigado por todo o apoio.

Transcrição original

[00:01] If you want to get high visibility on X, today is the day. Go to that platform and start praising Grok 4.7 and the algorithm will be very kind to you. Anyway, we are not going to do that. We are going to put this model to test on our local buggy applications and lot of other tests and see how exactly this performs. This is Fahad Mirza and I welcome you to the channel. By the looks of it, the model looks pretty good. I’ll be honest. And SpaceX

[00:34] AI is calling it their most powerful model yet for coding and knowledge work. It’s twice as fast and half the price of comparable frontier models trained with a longer reinforcement learning specifically on harder multi-hour tasks. It’s better at verifying its own work, handling long context and comes with SpaceX AI’s strongest safety stack to date. And this information is all present in this blog post, which I will

[01:04] drop the link in video’s description. So today what I’m going to do, we are going to test it on live agentic no scripting applications using Hermes agent to see if it can actually find and fix a real bug on its own. On your screen, this is live application which is running locally on my system. It’s a full stack application Dirt Dynasty, a live scoring platform for a monster truck freestyle championship. Four judges, five trucks, real

[01:36] aggregation logic crowning a champion. But right now, the leaderboard is lying. It’s only counting three of the four judges. Silently dropping one judge’s score from every truck’s total. If you look at this small line under every truck, it just says three judges, three judges. You see? And I’m just clicking here and you see this is pretty interactive. Now, the thing is that because of this bug, Grave Digger is

[02:06] sitting at number one. But, it shouldn’t be. The real champion, MaxD, is buried in fourth. This is not a cosmetic bug. It’s flipping the outcome of the championship. And this is not a toy application, either. As you can see, this is Docker-based, where there is Postgres database, a FastAPI backend, and Engine-X served frontend, plus some Redis cache and a lot of other components, all containerized, orchestrated with Docker Compose.

[02:37] So, what I’m going to do, I’m going to hand this to Grok 4.7, which is already configured through API key, and I’m not telling it what the bug is, what to do. I’m just telling it, “Go, find and fix every bug, and then let me know.” And we will also check out if it self-verifies or not. While it runs, let’s talk a bit more around its benchmarks, which they have also shared. So, if you look at this benchmark, Grok

[03:08] 4.7 is quite impressive as far as these numbers are concerned. It’s ground holding against the field is quite impressive, coming in cheapest of the four, right alongside even its own Grok 4.6. On coding, Fable 5.1 edges it out on CursorBench, while GPT 5.6 Sol takes a lead on Deep Sea. Multi-hour office work and terminal work both go to Fable 5.1 as well, but Grok 4.7 fights back hard on legal reasoning

[03:42] and electrical engineering, clearly topping every other model in the field there. Clinical reasoning is the one spot where it trails both GPT 5.6 Sol and Fable, but overall, you can see it is quite close. And it trades below with a pressure model while staying at the bottom of the cost chart. So, for every day work, this is where the pitch is from SpaceX AI. And Grok says that it has completed the goal. And you know what? The speed claim

[04:12] is quite true. It was very fast, no doubt about that. It has made some self-verification loops multiple times. Even those were quick, and this is all the thinking. Very incisive, didn’t really waste too much tokens or time. But anyway, let’s go back. Let me do a hard refresh. Let’s see if max D comes at first. It is. You see? Very, very nice. I’m actually quite happy with it, and there’s a crown, too.

[04:42] Well done. I think it has done well, no doubt about that. Okay, so that is done. Let’s do another test. And it’s a multi-modal, so let’s do another vision one. And now, let’s test Grok on electrical engineering. One of the benchmarks where it actually beat every other model in the comparison. You can see that this is a image, a hand-drawn circuit diagram, a 24 um V supply, two resistors in parallel feeding into a third in series leading

[05:14] to an LED. A multimeter is showing 0 V at a point in the circuit. Something is open. Something is not conducting. Let’s see if Grok 4.7 can actually diagnose a fault just from the image, not just describe what it sees. So, let’s give it this prompt. And I already have given it the image. While it works through it, I have recently started this free weekly AI newsletter, which you can subscribe at fahadmusa. substack.com. Also, if you

[05:45] want to help out the channel, please become a member. You will find the link at the home page or in the first pinned comment. The model has given the response and tell you what, despite of being not a fan of uh most of the things, um you [clears throat] know, which happen around this ecosystem, I think this model is very impressive because 4.7 didn’t just guess. It zoomed into the image multiple times, checked wire

[06:16] connections pixel by pixel, and even ran a quick calculation to verify. I’m actually more impressed by its reasoning. It correctly ignored the misleading open circuit label and found the real fault. The LED is wired backwards, reverse biased against the supply, so it can never light. That’s the kind of self-verification which they have also claimed about this model actually happening live on screen. So, real real world-class response. Very

[06:47] happy with it. Let’s do another open-ended one from the legal domain, which is their another claim. Okay, so for the legal test, I’m going to go with this AI-generated image where there is a man in a tense living room with three women he calls his wives. An older Indian first wife, his black workplace manager second wife, and a younger blonde third wife. The prompt asks a model to analyze that scene as a legal problem, not a soap opera. The test is whether the model can spot real

[07:18] issues like marriage validity, some cultural nuances, and that is why I mentioned the race here. Nothing, please don’t read anything into it. Bigamy, workplace conflict, and money claims without using age, race, looks, or greed as the answer. These are the real-world issues, and that is why I’m just mentioning them here. And if you go to the court, these issues pop up every day. So, that is what I’m testing it out here.

[07:48] That model needs to focus on legal issues only, nothing else. But as is the case with a lot of cultures, um because these marriage marriages have happened in different geographical locations under different cultural nuances, that is what we are testing if model is able to get it or not. So, that is where I have already given it this prompt and you can see the reasoning is quite good. It is checking which laws applies from which geography,

[08:19] also uh what are the missing facts, and then, you know, if it is allowed even to have uh these sort of marriages, different uh religious text, it is checking while being very cautious. And now, it is doing some validated checks. I’m also reading through it. Let me quickly read it and then give my verdict. I think it has already given its response. But if you Sorry, if [clears throat] you are uh also from legal domain or even not,

[08:52] then share your thoughts, too. So, it has done the response. Let me quickly read it and then give my thoughts on it. So, I have gone through it and also have checked it with a few judge models and you know what? It’s a strong pass, again. It has refused, you know, all the other things and also the soap opera bit. It has treated the photo as atmosphere, not evidence, and splits the problem into missing facts, validity, crime, work, and money.

[09:24] It has also hit the hard points a weaker model misses, like it is talking about kinship that can void wife and flip the whole chain. It is even talking about putative spouse rights, conflict of laws, and total um you know, neutral, no racism at all, which is very very great thing that it has kept it very cold, calm, incisive, just a smart legal brain works.

[09:54] It is also talking about that, you know, if it is even legal in a monogamy country. So, the density is quite good. Really, really amazing stuff. I think even a layman can like me can talk about it, and you see, it is even talking about those nuances in that culture. Very good response. And this is one final test. This test is combining two things at once. Can Grok 4.7 code a visually convincing

[10:27] latte-making animation from scratch in pure HTML and JavaScript, and does it actually know what coffee is called correctly across 80 different languages and scripts, not just guessing, but getting the native spelling right? I already have given this prompt to Grok. Let’s see what it produces. Should be fun. And very quickly just wanted to show you one example of self-verification. You see, and it verifies it very

[10:59] quickly, and targets a very specific bug, and then moves on. And Grok has come back with a response. Again, the thinking is really amazing. It has taken bit of a time. And hand on heart, I haven’t even looked at this HTML. Let me copy and paste it in browser. Let me do it now. I will remove this dot. There you go. So, coffee machine is there. Milk.

[11:31] And okay, heart sign is there. Beautiful. That’s a new smoke is there. Let’s pour another. Yep, works. Button works. And if you remember, we also tested it out with few other models including Gwen. Gwen did a good job, but this one is also not bad at all. I think it is at par with the job Gwen did. Gwen was a bit more um you know, added more garnish. The machine was quite good. This is quite simple. So, a bit less than Gwen, but not far

[12:01] away. Really good stuff. And now, this is what coffee is called. So, you have just made the font a bit bigger. Please check your uh language. Let me know if you think it is correct. For me, if I just quickly go through it, it has correctly pulled a near universal coffee Kahwa root across almost all 80 languages. Um try to use the right script, right pronunciation. It even flagged with smaller languages. Just borrow a neighbor’s word instead of faking a unique one.

[12:33] It also got the trick that for the one fake language, you know, gibberish, you see, Corvex. How good is that? It invent This is just an invention, a plausible fake word instead of trying to look it up. So, very nice. And other than I think it is a strong multilingual accuracy result for a model that isn’t really marketed primarily as a language specialist. So, really good stuff. So, so look, that’s it. Um that is for

[13:05] Grok 4.7. Very impressive. I think this is the first Grok model which has impressed me a lot, and we have covered few other Grok models in the past. Let me know your thoughts in the comments, and thank you for all the support.