梦晨 发自 凹非寺量子位 | 公众号 QbitAI
刚刚，马斯克发布Grok 4.1，同时霸榜大模型竞技场的第一和第二。
怎么做到的？
Grok 4.1思考模式以1483的Elo分数稳居榜首，领先非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，超越了公开排行榜上所有其他模型的完整推理模式。
之前的Grok 4在排行榜上仅排第33位。不到半年时间，xAI就实现了巨大飞跃。
在大模型竞技场新推出的专家榜和职业榜上，Grok 4.1思考模式同样霸榜。
专家榜中的题目预计只有各自领域的顶尖专家才会提出，职业榜分为八个细分：
软件和IT服务，写作、文学和语言，生命科学、物理科学和社会科学，娱乐、体育和媒体，商业、管理和财务运营，数学、法律与政府，医疗保健
Grok4.1目前只在文学榜上输给Gemini2.5，数学榜输给Claude4.5和o3，其他六个榜单均拿下第一。
不过由于模型刚发布，投票数还很少，等“Preliminary”标记消失（超过一定票数）后的成绩更有参考价值。
在非用户投票的EQ-Bench情商测试中，Grok 4.1的表现同样出色，超过刚发布不久的Kimi K2（但不是Thinking版本）。
EQ-Bench是一个由大语言模型评判的测试，评估主动情商能力、理解力、洞察力、同理心和人际交往技能。
Grok 4.1原来早就暗中测试了。
从11月1日起，新版模型被逐步推送越来越多的用户，期间持续进行盲测对比评估，64.78%的用户更喜欢新版。
xAI官网给出了Grok4.1与之前版本在各个方面的回答对比。
响应情感问题：
创意写作：
xAI在技术报告中特别强调，Grok 4.1在创造性、情感性和协作性互动方面带来了显著改进。模型变得更加善于捕捉细微的意图，对话更有吸引力，个性表现更加连贯，同时完全保留了前代产品的敏锐智能和可靠性。
为了实现这些提升，团队使用了支撑Grok 4的大规模强化学习基础设施，并将其应用于优化模型的风格、个性、有用性和对齐性。他们开发的新方法让前沿智能推理模型作为奖励模型，能够自主评估和迭代响应。
xAI负责后训练的Dust Tran分享了更多细节，主要改进在强化学习上，将 RLHF推向前所未有的高度。
在过去的几个月里，我们这个由十几人组成的团队利用用户在真实对话中的偏好，以及基于强大推理能力进行评分的智能体奖励模型，对强化学习 (RL) 的算法进行了全面改进.
此外，我们还将RL的规模扩大了一个数量级，远超Grok 4中现有的类似预训练的规模。
Grok 4.1对不需要思维链推理的快速回复模式做了特别加强。关闭推理功能后，输出标记数从约2300个减少到850个。
此外Grok 4.1还重点改善了幻觉问题。
配备搜索工具的非推理模型可以快速给出答案，但由于推理深度受限和工具调用预算有限，很容易出现事实错误。
在Grok 4.1的后训练阶段，专注于减少信息检索提示中出现的事实性幻觉。随后观察到，对于抽样生成的信息检索提示，幻觉发生率显著降低。
在包含500个个人传记问题的FActScore测试中，Grok 4.1非推理模式的成绩也比前一代有明显改善。
在更多示例中，Grok 4.1还展示出可以输出图文并茂的回答。
目前，Grok 4.1已经在grok.com、X平台以及iOS和Android应用上向所有用户开放，默认以自动模式推出，用户也可以在模型选择器中明确选择Grok 4.1。
参考链接：[1]https://x.ai/news/grok-4-1[2]https://x.com/arena/status/1990530984014676155[3]https://x.com/dustinvtran/status/1990532663258853720
