xAI 发布 Grok 4.1，全平台可用并登顶 LMArena Text Arena

Grok 4.1 现已在 grok.com、𝕏 以及 iOS 和 Android 应用上面向所有用户开放。它已在 Auto 模式下立即推出，并可在模型选择器中明确选择为“Grok 4.1”。

我们很高兴推出 Grok 4.1，它为 Grok 的实际可用性带来了显著提升。我们的 4.1 模型在创意、情感和协作互动方面表现出色。它对细微意图更加敏锐，交谈起来更具吸引力，人格更加连贯，同时完全保留了前代产品那锐利的智能和可靠性。为实现这一点，我们使用了驱动 Grok 4 的同一套大规模强化学习基础设施，并将其应用于优化模型的风格、人格、有用性和对齐。为了优化这些不可验证的奖励信号，我们开发了新方法，使我们能够使用前沿智能体推理模型作为奖励模型，以大规模自主评估和迭代响应。

静默推出，2025 年 11 月 1 日至 14 日

我们对初步的 Grok 4.1 构建版本进行了逐步静默推出，覆盖 grok.com、X 和移动应用上越来越多的生产流量。在为期两周的静默推出期间，我们对实时流量持续进行了盲测成对评估。

Grok 4.1

对比此前的 Grok

与流量中的此前生产模型相比，Grok 4.1 在 64.78% 的情况下更受偏好。

最先进的通用能力

Grok 4.1 在盲测人类偏好评估中树立了新标准。

在 LMArena 的 Text Arena 中，Grok 4.1 Thinking（代号：quasarflux）以 1483 Elo 位居总榜第 1 名——以 31 分的显著优势领先于非 xAI 模型中得分最高者。Grok 4.1 的非推理模式（代号：tensor）不使用思考 token 即可立即响应，以 1465 Elo 排名第 2。Grok 4.1 非思考模式在公开排行榜上超越了其他所有模型的完整推理配置。Grok 4.1 显著超越了总排名第 33 的 Grok 4。

情商

为了衡量我们模型在人格和人际能力方面的进展，我们在 EQ-Bench3 上评估了 Grok 4.1。EQ-Bench 是一项由 LLM 评判的测试，评估主动情商能力、理解力、洞察力、同理心和人际交往技能。测试集包含 45 个具有挑战性的角色扮演场景，其中大多数由跨越 3 轮的预写提示组成。该基准通过根据多项标准验证模型的响应来评估模型表现。此外，该基准还进行成对比较，以报告排行榜中每个模型的归一化 Elo 计算值。

我们通过运行官方基准仓库来报告评分标准得分和归一化 Elo 得分。这些分数使用默认采样参数、指定评判者（Claude Sonnet 3.7），并按照基准要求不使用系统提示计算得出。

以下是 Grok 4.1 如何回应情感提示的一个示例：

创意写作

我们还测量了 4.1 模型在 Creative Writing v3 基准上的表现。在该基准中，模型针对 32 个不同的写作提示生成响应，共进行 3 次迭代。与 EQ-Bench 类似，分数使用评分标准和模型对战归一化 Elo 计算。

方法论

对于 EQ-Bench3 和 Creative Writing v3，我们正在与作者合作，以将分数纳入排行榜。

以下是一些 Grok 4.1 如何回应创意写作提示的示例：

减少幻觉

配备搜索工具的快速（非推理）模型能迅速给出答案，但由于推理深度受限且工具调用预算有限，它们容易受到事实性错误的影响。

在 Grok 4.1 的后训练中，我们专注于减少信息查询类提示中的事实性幻觉。随后我们观察到，在抽样的生产环境信息查询提示中，幻觉率显著下降。

我们在来自生产流量的真实世界信息查询的分层样本上评估幻觉率。我们还评估了 FActScore，这是一个由 500 道关于个人传记问题组成的公开基准。

方法论

评估是通过使用网络搜索工具对非推理模型进行评估来完成的

幻觉率定义为模型响应中带有重大/轻微错误的原子声明百分比的宏平均