xAIが「Grok 4.1」を全公開、LMArenaで首位を獲得

最先端のAIモデルをめぐる競争といえば、難解な数学パズルを解かせるか、画面の裏で数十秒も長考させるのが主流になりつつありました。

しかし日常的な会話や文章作成で求められるのは、待たされずにすぐ返ってきて、文脈のニュアンスを汲み取り、もっともらしい嘘をつかないことです。

xAIは最新モデル「Grok 4.1」を正式発表しました。grok.com、𝕏、ならびにiOSとAndroidアプリの全ユーザー向けに提供が始まっており、Autoモードで自動適用されるほか、モデル選択から手動で指定することも可能です。

思考なしモデルが他社の推論モデルを圧倒

今回の発表で業界を最も驚かせたのは、ブラインド評価プラットフォーム「LMArena」での圧倒的な成績です。

推論機能を有効にした「Grok 4.1 Thinking（コードネーム：quasarflux）」は、Eloレーティング1483を獲得し、全体1位に立ちました。xAI以外の最高位モデルに対して31ポイントの差をつけています。

さらに衝撃的なのは、思考トークンを消費せず即座に応答する非推論モード（コードネーム：tensor）のスコアです。Elo 1465を記録して全体2位にランクインしました。

つまり、Grok 4.1の通常即答版が、競合他社のフル推論モデルを軒並み上回ったことになります。前世代のGrok 4が同ランキングで33位だったことを考えると、異例のジャンプアップです。

正式公開に先立ち、xAIは2週間にわたり本番トラフィックでサイレントテストを実施しました。ブラインドによる二者択一評価において、従来の運用モデルに対して64.78%の勝率を記録したとしています。

AIがAIを評価する強化学習と幻覚の抑制

文章の表現力や共感力といった主観的な要素は、数式のように正誤判定ができないため強化学習の報酬信号にするのが困難でした。

xAIはGrok 4で構築した大規模な強化学習基盤を流用しつつ、最先端のエージェント推論モデルを報酬モデルとして起用しました。AIが自律的に応答を評価して改善を繰り返す手法を開発したといいます。

感情的な対話能力を測るEQ-Bench3や、クリエイティブライティングのベンチマークでも大幅なスコア向上を確認しています。

また、検索ツールを併用した高速モデルで頻発しがちだった事実誤認（ハルシネーション）の抑制にも注力しました。本番トラフィックから抽出した情報検索クエリやFActScoreベンチマークを用い、事後学習によって誤答率を大幅に引き下げています。

なぜ重要か

一般ユーザーにとって、Grok 4.1は今すぐ試す価値が十分にあります。長考を待たされるストレスなしに、機転の利いた文章生成や日常の相談、情報整理を高精度にこなせるため、実用ツールとしての完成度は頭一つ抜け出しました。

業界全体に対する影響も小さくありません。これまでは思考時間を増やして性能を稼ぐテスト時計算の強化がトレンドでしたが、Grok 4.1の非推論版が2位に入ったことで、事後学習とアライメントの洗練次第で即答モデルが推論モデルを凌駕できることが証明されました。

自律エージェントを報酬モデルにして感情表現やスタイルを磨き上げたアプローチは非常にスマートです。一方で、AI評価者受けを狙いすぎた最適化が、ユーザーへの過剰な迎合や耳ざわりの良い回答ばかりを生み出さないかという懸念もあります。本番環境で長期間使われた際の人格の一貫性には注目しておく必要があります。