剛剛，馬斯克發布Grok 4.1，同時霸榜大模型競技場的第一和第二。

怎么做到的？

Grok 4.1思考模式以1483的Elo分數穩居榜首，領先非xAI模型中的最高分整整31分。

Grok 4.1非思考模式以1465分拿下第二名，超越了公開排行榜上所有其他模型的完整推理模式。

之前的Grok 4在排行榜上僅排第33位。不到半年時間，xAI就實現了巨大飛躍。

在大模型競技場新推出的專家榜和職業榜上，Grok 4.1思考模式同樣霸榜。

專家榜中的題目預計只有各自領域的頂尖專家才會提出，職業榜分為八個細分：

軟件和IT服務，寫作、文學和語言，生命科學、物理科學和社會科學，娛樂、體育和媒體，商業、管理和財務運營，數學、法律與政府，醫療保健

Grok4.1目前只在文學榜上輸給Gemini2.5，數學榜輸給Claude4.5和o3，其他六個榜單均拿下第一。

不過由于模型剛發布，投票數還很少，等“Preliminary”標記消失（超過一定票數）后的成績更有參考價值。

在非用戶投票的EQ-Bench情商測試中，Grok 4.1的表現同樣出色，超過剛發布不久的Kimi K2（但不是Thinking版本）。

EQ-Bench是一個由大語言模型評判的測試，評估主動情商能力、理解力、洞察力、同理心和人際交往技能。

將RLHF推向前所未有的高度

Grok 4.1原來早就暗中測試了。

從11月1日起，新版模型被逐步推送越來越多的用戶，期間持續進行盲測對比評估，64.78%的用戶更喜歡新版。

xAI官網給出了Grok4.1與之前版本在各個方面的回答對比。

響應情感問題：

創意寫作：

xAI在技術報告中特別強調，Grok 4.1在創造性、情感性和協作性互動方面帶來了顯著改進。模型變得更加善于捕捉細微的意圖，對話更有吸引力，個性表現更加連貫，同時完全保留了前代產品的敏銳智能和可靠性。

為了實現這些提升，團隊使用了支撐Grok 4的大規模強化學習基礎設施，并將其應用于優化模型的風格、個性、有用性和對齊性。他們開發的新方法讓前沿智能推理模型作為獎勵模型，能夠自主評估和迭代響應。

xAI負責后訓練的Dust Tran分享了更多細節，主要改進在強化學習上，將 RLHF推向前所未有的高度。

在過去的幾個月里，我們這個由十幾人組成的團隊利用用戶在真實對話中的偏好，以及基于強大推理能力進行評分的智能體獎勵模型，對強化學習 (RL) 的算法進行了全面改進.

此外，我們還將RL的規模擴大了一個數量級，遠超Grok 4中現有的類似預訓練的規模。

Grok 4.1對不需要思維鏈推理的快速回復模式做了特別加強。關閉推理功能后，輸出標記數從約2300個減少到850個。

此外Grok 4.1還重點改善了幻覺問題。

配備搜索工具的非推理模型可以快速給出答案，但由于推理深度受限和工具調用預算有限，很容易出現事實錯誤。

在Grok 4.1的后訓練階段，專注于減少信息檢索提示中出現的事實性幻覺。隨后觀察到，對于抽樣生成的信息檢索提示，幻覺發生率顯著降低。

在包含500個個人傳記問題的FActScore測試中，Grok 4.1非推理模式的成績也比前一代有明顯改善。

在更多示例中，Grok 4.1還展示出可以輸出圖文并茂的回答。

目前，Grok 4.1已經在grok.com、X平臺以及iOS和Android應用上向所有用戶開放，默認以自動模式推出，用戶也可以在模型選擇器中明確選擇Grok 4.1。

參考鏈接：
[1]https://x.ai/news/grok-4-1
[2]https://x.com/arena/status/1990530984014676155
[3]https://x.com/dustinvtran/status/1990532663258853720