xAI 推出 Grok 4.1：思考版登顶 LMArena，全平台免费可用

很多人以为大模型拼到最后，拼的无非是数学竞赛刷题，或者是让 AI 吭哧吭哧在后台推理半分钟。

但真到了每天干活、聊天和找灵感的时候，大家想要的往往更简单：回话要快，要听得懂人话的潜台词，性格别太生硬，最重要的是别瞎编事实。

xAI 正式推出了 Grok 4.1。新模型已经推给了 grok.com、𝕏 平台以及 iOS 和 Android 客户端的所有用户。在 Auto 模式下会自动调用，用户也可以在模型下拉框里手动指定 Grok 4.1。

连不思考的版本，都把各家推理模型超了

这次最惹人注目的，是 Grok 4.1 在盲测榜单上的夸张表现。

在 LMArena 的文本竞技场里，带深度思考的 Grok 4.1 Thinking 代号 quasarflux，拿下了 1483 Elo 的高分，稳坐全球总榜第一。这个成绩把非 xAI 阵营最高分的模型甩开了 31 分之多。

更离谱的是它的非推理版本，内部代号 tensor。这个版本不消耗任何思考 token，完全是即时响应，却以 1465 Elo 拿下了全球第二。

这意味着，Grok 4.1 的不思考版本，直接超过了公开榜单上所有其他厂商完整推理模型的表现。要知道，此前的 Grok 4 在这个榜单上只排第 33 位。

上线之前，xAI 还在全网流量里搞了两周的静默灰度测试。在真实用户的双盲对比下，Grok 4.1 面对前代线上模型拿下了 64.78% 的胜率。

让智能体当裁判，专治假大空和胡言乱语

情商、幽默感和写作风格，向来属于没有客观标准答案的非可验证信号，传统算法很难给它们打分。

xAI 的解法是利用前沿智能体推理模型充当奖励模型，去自主评估回答，在训练 Grok 4 的大规模强化学习设施上持续迭代。他们重点优化了模型的风格、人设、协作意图和有用性。

为了检验效果，xAI 测试了包含 45 个角色扮演场景的情商基准 EQ-Bench3，以及经过 3 轮迭代的 Creative Writing v3 创意写作评测，两项表现都大幅跃升。

很多人常用的联网搜索功能，这次也补上了短板。

以往追求响应速度的非推理模型挂上搜索后，容易因为推理深度不够、调用工具次数有限而胡说八道。xAI 针对真实查询流量抽样并在 FActScore 等基准上做后训练，显著降低了事实性幻觉的发生概率。

为什么重要

对普通用户来说，Grok 4.1 可能是目前综合使用体感最好的日常模型之一。它不仅在 𝕏 和移动端伸手可用，而且不用漫长等待思考过程就能秒出高水准回复，非常适合拿来写文案、改代码、提炼信息或者单纯倾诉心事。

对整个大模型行业来说，Grok 4.1 的非推理版本登顶榜二是一个强烈的信号。过去一年里，行业都在狂卷增加思考 token 的长链推理，算力和延迟成本居高不下；但 xAI 证明了只要后训练和对齐做得足够扎实，秒回模型也能在人类综合偏好上击败对手的重度推理架构。

我们认为，xAI 这次最聪明的做法，是把前沿智能体放进强化学习闭环里去量化人性和共情。过去大家觉得情商只能靠海量人工标注硬磨，现在被他们做成了一套自动运转的飞轮。

不过隐患也同样存在。靠 AI 裁判喂出来的共情和高情商，在极端长对话或复杂争议话题下，会不会演变成过度迎合用户的讨好型人格，这在后续的大规模日常使用中还需要继续观察。