xAI 推出 Grok 4.1：思考版登頂 LMArena，全平臺免費可用

很多人以為大模型拼到最後，拼的無非是數學競賽刷題，或者是讓 AI 吭哧吭哧在後臺推理半分鐘。

但真到了每天干活、聊天和找靈感的時候，大家想要的往往更簡單：回話要快，要聽得懂人話的潛臺詞，性格別太生硬，最重要的是別瞎編事實。

xAI 正式推出了 Grok 4.1。新模型已經推給了 grok.com、𝕏 平臺以及 iOS 和 Android 客戶端的所有使用者。在 Auto 模式下會自動呼叫，使用者也可以在模型下拉框裡手動指定 Grok 4.1。

連不思考的版本，都把各家推理模型超了

這次最惹人注目的，是 Grok 4.1 在盲測榜單上的誇張表現。

在 LMArena 的文本競技場裡，帶深度思考的 Grok 4.1 Thinking 代號 quasarflux，拿下了 1483 Elo 的高分，穩坐全球總榜第一。這個成績把非 xAI 陣營最高分的模型甩開了 31 分之多。

更離譜的是它的非推理版本，內部代號 tensor。這個版本不消耗任何思考 token，完全是即時響應，卻以 1465 Elo 拿下了全球第二。

這意味著，Grok 4.1 的不思考版本，直接超過了公開榜單上所有其他廠商完整推理模型的表現。要知道，此前的 Grok 4 在這個榜單上只排第 33 位。

上線之前，xAI 還在全網流量裡搞了兩週的靜默灰度測試。在真實使用者的雙盲對比下，Grok 4.1 面對前代線上模型拿下了 64.78% 的勝率。

讓智慧體當裁判，專治假大空和胡言亂語

情商、幽默感和寫作風格，向來屬於沒有客觀標準答案的非可驗證訊號，傳統演算法很難給它們打分。

xAI 的解法是利用前沿智慧體推理模型充當獎勵模型，去自主評估回答，在訓練 Grok 4 的大規模強化學習設施上持續迭代。他們重點優化了模型的風格、人設、協作意圖和有用性。

為了檢驗效果，xAI 測試了包含 45 個角色扮演場景的情商基準 EQ-Bench3，以及經過 3 輪迭代的 Creative Writing v3 創意寫作評測，兩項表現都大幅躍升。

很多人常用的聯網搜尋功能，這次也補上了短板。

以往追求響應速度的非推理模型掛上搜尋後，容易因為推理深度不夠、呼叫工具次數有限而胡說八道。xAI 針對真實查詢流量抽樣並在 FActScore 等基準上做後訓練，顯著降低了事實性幻覺的發生機率。

為什麼重要

對普通使用者來說，Grok 4.1 可能是目前綜合使用體感最好的日常模型之一。它不僅在 𝕏 和移動端伸手可用，而且不用漫長等待思考過程就能秒出高水準回覆，非常適合拿來寫文案、改程式碼、提煉資訊或者單純傾訴心事。

對整個大模型行業來說，Grok 4.1 的非推理版本登頂榜二是一個強烈的訊號。過去一年裡，行業都在狂卷增加思考 token 的長鏈推理，算力和延遲成本居高不下；但 xAI 證明了只要後訓練和對齊做得足夠紮實，秒回模型也能在人類綜合偏好上擊敗對手的重度推理架構。

我們認為，xAI 這次最聰明的做法，是把前沿智慧體放進強化學習閉環裡去量化人性和共情。過去大家覺得情商只能靠海量人工標註硬磨，現在被他們做成了一套自動運轉的飛輪。

不過隱患也同樣存在。靠 AI 裁判喂出來的共情和高情商，在極端長對話或複雜爭議話題下，會不會演變成過度迎合使用者的討好型人格，這在後續的大規模日常使用中還需要繼續觀察。