机器之心报道
机器之心编辑部
几乎毫无预兆，马斯克人工智能公司xAI发布了最新模型Grok4.1。
就在刚刚，xAI宣布，Grok4.1已经向所有用户开放，可以在Grok官网、X以及iOS和Android应用中使用。
Grok4.1将立即在Auto模式中推送，并可在模型选择器中手动选择。
此次，Grok4.1将在真实世界可用性方面带来显著提升，尤其是在创造力、情感互动和协作交互方面表现出色。Grok4.1对细微意图的感知能力更强，与用户对话更加吸引人，整体人格也更连贯，同时完全保留了前代模型强大的智能与可靠性。
马斯克在x上宣传一波自家模型。
为实现这些提升，xAI在支撑Grok4的同一套大规模强化学习基础设施上进一步优化了模型的风格、个性、助人性和对齐性。并且，为了优化这些不可直接验证的奖励信号，xAI开发了全新的方法，能够利用前沿的智能体式推理模型作为奖励模型，从而可以大规模自主评估并迭代输出结果。
与此前的线上生产模型相比，Grok4.1在对比评估中有64.78%的概率被用户偏好选择。
接下来看Grok4.1的能力特征。
SOTA通用能力
Grok4.1在盲测的人类偏好评估中树立了全新的标杆。
在LMArena的TextArena排行榜上，Grok4.1的推理模式（代号：quasarflux）以1483的Elo分数位居总榜首位，领先最高的非xAI模型整整31分。
Grok4.1的非推理模式（代号：tensor）无需使用思维token便能即时响应，在排行榜上以1465Elo分数位居第二。即便不启用推理，Grok4.1也超越了其他所有模型在启用完整推理配置下的表现。
与Grok4相比，Grok4.1的整体表现实现了大幅超越，前者此前的总排名仅为第33名。
情感智能
为了评估模型在个性与人际互动能力方面的进展，xAI在EQ-Bench3上对Grok4.1进行了测试。
EQ-Bench是一个由大语言模型评判的测试，用于评估主动情绪智能，包括情绪理解、洞察力、同理心以及人际交往技能。测试集包含45个具有挑战性的角色扮演场景，其中大多数由预先编写的三轮对话提示组成。该基准通过多项标准验证模型的回答质量，以评估模型表现。此外，它还通过成对对比的方式，为排行榜中的每个模型计算归一化的Elo分数。
xAI使用官方基准仓库运行测试，并报告评分细则（rubricscore）与归一化Elo分数。所有分数均在遵循基准要求的条件下计算：使用默认采样参数、指定的评判模型（ClaudeSonnet3.7），并且不添加systemprompt。
结果显示，Grok4.1的推理模式和非推理模式位居榜单前两名。
以下示例展示了Grok4.1对情绪类提示的回应方式：
创意写作
xAI还在CreativeWritingv3基准测试上评估了4.1系列模型的表现。
在该基准中，模型需要针对32个不同的写作提示生成回答，并进行3轮迭代。与EQ-Bench类似，评分同时基于评分细则（rubrics）和模型对战的归一化Elo分数进行计算。
结果显示，Grok4.1的推理模式和非推理模式位居基准测试第二和第三名，仅次于早期GPT5.1。
以下示例展示了Grok4.1在创意写作提示下的回答方式：
减少幻觉
配备搜索工具的Fast（非推理）模型能够提供即时答案，但由于推理深度受限、工具调用次数有限，它们更容易出现事实性错误。
在Grok4.1的后训练过程中，xAI着重降低了信息查询类提示的事实幻觉。随后，xAI在抽样的生产环境信息查询提示中观察到了幻觉率的显著下降。
xAI使用来自生产流量的真实信息查询请求，按类别分层抽样评估模型幻觉率。同时，也评测了FActScore——一个包含500个关于不同人物的传记类问题的公共基准测试。
更多Grok4.1的技术细节请参阅模型卡：
