幾乎毫無預兆，馬斯克人工智能公司 xAI 發布了最新模型 Grok 4.1。

就在剛剛，xAI 宣布，Grok 4.1 已經向所有用戶開放，可以在 Grok 官網、X 以及 iOS 和 Android 應用中使用。

Grok 4.1將立即在 Auto 模式中推送，并可在模型選擇器中手動選擇。

此次，Grok 4.1 將在真實世界可用性方面帶來顯著提升，尤其是在創造力、情感互動和協作交互方面表現出色。Grok 4.1 對細微意圖的感知能力更強，與用戶對話更加吸引人，整體人格也更連貫，同時完全保留了前代模型強大的智能與可靠性。

馬斯克在 x 上宣傳一波自家模型。

為實現這些提升，xAI 在支撐 Grok 4 的同一套大規模強化學習基礎設施上進一步優化了模型的風格、個性、助人性和對齊性。并且，為了優化這些不可直接驗證的獎勵信號，xAI 開發了全新的方法，能夠利用前沿的智能體式推理模型作為獎勵模型，從而可以大規模自主評估并迭代輸出結果。

與此前的線上生產模型相比，Grok 4.1 在對比評估中有 64.78% 的概率被用戶偏好選擇。

接下來看 Grok 4.1 的能力特征。

SOTA 通用能力

Grok 4.1 在盲測的人類偏好評估中樹立了全新的標桿。

在 LMArena 的 Text Arena 排行榜上，Grok 4.1 的推理模式（代號：quasarflux）以 1483 的 Elo 分數位居總榜首位，領先最高的非 xAI 模型整整 31 分。

Grok 4.1 的非推理模式（代號：tensor）無需使用思維 token 便能即時響應，在排行榜上以 1465 Elo 分數位居第二。即便不啟用推理，Grok 4.1 也超越了其他所有模型在啟用完整推理配置下的表現。

與 Grok 4 相比，Grok 4.1 的整體表現實現了大幅超越 ，前者此前的總排名僅為第 33 名。

情感智能

為了評估模型在個性與人際互動能力方面的進展，xAI 在 EQ-Bench3 上對 Grok 4.1 進行了測試。

EQ-Bench 是一個由大語言模型評判的測試，用于評估主動情緒智能，包括情緒理解、洞察力、同理心以及人際交往技能。測試集包含 45 個具有挑戰性的角色扮演場景，其中大多數由預先編寫的三輪對話提示組成。該基準通過多項標準驗證模型的回答質量，以評估模型表現。此外，它還通過成對對比的方式，為排行榜中的每個模型計算歸一化的 Elo 分數。

xAI 使用官方基準倉庫運行測試，并報告評分細則（rubric score）與歸一化 Elo 分數。所有分數均在遵循基準要求的條件下計算：使用默認采樣參數、指定的評判模型（Claude Sonnet 3.7），并且不添加 system prompt。

結果顯示，Grok 4.1 的推理模式和非推理模式位居榜單前兩名。

以下示例展示了 Grok 4.1 對情緒類提示的回應方式：

創意寫作

xAI 還在 Creative Writing v3 基準測試上評估了 4.1 系列模型的表現。

在該基準中，模型需要針對 32 個不同的寫作提示生成回答，并進行 3 輪迭代。與 EQ-Bench 類似，評分同時基于評分細則（rubrics）和模型對戰的歸一化 Elo 分數進行計算。

結果顯示，Grok 4.1 的推理模式和非推理模式位居基準測試第二和第三名，僅次于早期 GPT 5.1。

以下示例展示了 Grok 4.1 在創意寫作提示下的回答方式：

減少幻覺

配備搜索工具的 Fast（非推理）模型能夠提供即時答案，但由于推理深度受限、工具調用次數有限，它們更容易出現事實性錯誤。

在 Grok 4.1 的后訓練過程中，xAI 著重降低了信息查詢類提示的事實幻覺。隨后，xAI 在抽樣的生產環境信息查詢提示中觀察到了幻覺率的顯著下降。

xAI 使用來自生產流量的真實信息查詢請求，按類別分層抽樣評估模型幻覺率。同時，也評測了 FActScore —— 一個包含 500 個關于不同人物的傳記類問題的公共基準測試。

更多 Grok 4.1 的技術細節請參閱模型卡：

模型卡地址：https://data.x.ai/2025-11-17-grok-4-1-model-card.pdf

官方博客：https://x.ai/news/grok-4-1#silent-rollout-november-114-2025