Grok 4.1强势上线！超越所有对手，拿下LMArena排行榜第一，事实性幻觉大幅下降

整理 | 苏宓

出品 | CSDN（ID：CSDNnews）

时隔四个月，埃隆·马斯克创立的 xAI 正式带来了 Grok 4 的升级版——Grok 4.1，此次发布共有两款型号的模型，分别为 Grok 4.1 和 Grok 4.1 Thinking。

目前，两者均向所有用户免费开放，可以通过 grok.com、X 以及 iOS 和 Android 应用使用。付费用户则能获得更高的使用额度。

全新升级的 Grok 4.1

根据 xAI 的说法，Grok 4.1 为 Grok 在真实场景中的可用性带来了显著提升。官方称，这一版本在创造力、情绪理解以及协作互动方面表现尤为突出。

与此前的模型相比，Grok 4.1 更善于捕捉细微意图，对话更自然、有吸引力，也展现出更加一致的人格特征。

为了实现这些能力增强，xAI 继续沿用了支撑 Grok 4 的大规模强化学习基础设施，并进一步将其用于优化模型的风格、人格和对齐性。由于这些目标难以通过可验证的方式直接衡量，xAI 开发了新的训练方法，让前沿的智能体推理模型作为奖励模型，能够自动化且大规模地评估与改进模型回复。

在上线方式上，xAI 先是于 2025 年 11 月 1 日至 14 日 进行了为期两周的静默灰度发布，将早期版本的 Grok 4.1 逐步推送到 grok.com、X 以及移动 App 的真实流量中，并在此期间持续进行盲测式的成对比较评估。

评测结果显示，Grok 4.1 相比此前的生产版本优势明显：

在盲测对比中，Grok 4.1 获得了 64.78% 的偏好率。

登顶 LMArena、位居各大榜单前列的 Grok 4.1

接下来，从具体的能力上来看。

通用能力

在 LMArena 的 Text Arena 排行榜上，Grok 4.1 Thinking（代号：quasarflux） 以 1483 Elo 的成绩位列总榜第一，比排名最高的非 xAI 模型 Gemini 2.5 Pro 高出 31 分，领先优势十分明显。

LMArena 的 Text Arena 是一个开源工具，允许用户通过并排、盲测和随机测试来比较不同的大型语言模型 (LLM)。

而 Grok 4.1 的非推理模式（代号：tensor） 不使用 thinking tokens，可直接给出即时回复，在排行榜上以 1465 Elo 排名第二。值得注意的是，这个“非推理模式”的 Grok 4.1 的成绩，甚至超过所有其他模型的“完整推理版本”。

相比之下，上一代 Grok 4 的总排名仅为第 33 位，与 4.1 的表现差距明显。

情商

为了评估模型在“人格风格”和“人际互动能力”方面的进步，xAI 使用了 EQ-Bench v3 对 Grok 4.1 进行测试。

EQ-Bench 是一个由大模型担任裁判的测试，主要衡量模型的主动情绪智力，包括理解力、洞察力、共情能力以及人际沟通技巧。测试集包含 45 个高难度角色扮演情景，大多数由三轮预设对话构成。

评测方法一方面通过固定评分标准检查模型回答质量，另一方面也会进行成对对比，最终得出每个模型的归一化 Elo 分数。

xAI 给出的分数来自官方基准测试仓库的运行结果，采用默认的采样参数、指定裁判模型 Claude Sonnet 3.7，且未添加系统提示词，以符合测试规范。

结果显示，Grok 4.1 Thinking 和 Grok 4.1 在 EQ-Bench 测试中名列第一、二名，这意味着该模型能够以更自然、更富同理心、更人性化的方式做出回应。对于用户而言，这意味着对话更容易理解，也更贴近生活。

创意写作

xAI 在 Creative Writing v3 基准上测试了 Grok 4.1 系列模型的表现。该基准要求模型针对 32 个不同的写作提示生成回答，并进行 3 轮迭代。

与 EQ-Bench 类似，最终得分由两部分组成：依据评分标准（rubrics）给出的质量分，以及通过模型对战方式计算出的归一化 Elo 分数。

Grok 4.1 Thinking 以 1721.9 的得分排名第二。

减少幻觉

快速（非推理）模型虽然能利用搜索工具迅速给出答案，但由于推理深度有限、工具调用次数受限，容易出现事实性错误。

在 Grok 4.1 的后训练阶段，xAI 透露他们重点优化了信息查询类提示的事实性幻觉问题。实际观测显示，对于生产环境中抽样的此类提示，幻觉率有了显著下降。

评估方法上，该团队在来自生产流量的分层抽样真实信息查询中测试了幻觉率，同时还使用了 FActScore 公共基准进行验证。FActScore 包含 500 个关于个人传记的问题，用于检验模型的事实准确性。

xAI 表示，与旧版本相比，Grok 4.1 将这个问题减少了近三倍。这使得它在人们询问事实、新闻或解释时更加可靠。

大模型竞争加剧

总体来看，Grok 4.1 是一次稳步升级，幻觉减少、荣登全球 AI 排行榜榜首，竞争力有所提升。

不过，从年度最佳模型的角度来看，不少外媒认为，Grok 4.1 或许还不是今年的巅峰。Google 正准备推出下一代旗舰 Gemini 3.0，外界普遍预计它将成为今年最强大的模型之一。可以预见的是，接下来一段时间，各家旗舰模型或将上演年度巅峰对决。

参考：
https://x.ai/news/grok-4-1

【活动分享】2025 年是 C++ 正式发布以来的 40 周年，也是全球 C++ 及系统软件技术大会举办 20 周年。这一次，C++ 之父 Bjarne Stroustrup 将再次亲临「2025 全球 C++及系统软件技术大会」现场，与全球顶尖的系统软件工程师、编译器专家、AI 基础设施研究者同台对话。

本次大会共设立现代 C++ 最佳实践、架构与设计演化、软件质量建设、安全与可靠、研发效能、大模型驱动的软件开发、AI 算力与优化、异构计算、高性能与低时延、并发与并行、系统级软件、嵌入式系统十二大主题，共同构建了一个全面而立体的知识体系，确保每一位参会者——无论是语言爱好者、系统架构师、性能优化工程师，还是技术管理者——都能在这里找到自己的坐标，收获深刻的洞见与启发。详情参考官网：https://cpp-summit.org/