大多数大型语言模型（LLM）基准测试主要集中在英语，无法准确评估其他语言（如德语）的表现。为此，作者开发了ML•LLM基准，分为逻辑和非逻辑两部分。结果显示，Grok在逻辑部分表现最佳，而在非逻辑部分，Grok3 Think等四个模型表现突出。总体来看，Grok领先，OpenAI和Google逐渐进步，但仍需改进。