作者 ｜ 木子、高允毅

當(dāng)谷歌 Gemini 3 將上線的消息傳得沸沸揚(yáng)揚(yáng)時(shí)，馬斯克更快一步默默放了個(gè)大招。

今天凌晨，xAI的最新大模型Grok 4.1直接上線了，響應(yīng)速率明顯提升、幻覺率大幅下降，回答既精準(zhǔn)又“有人味兒”。

這次一共發(fā)布了兩個(gè)“形態(tài)”：Grok 4.1和Grok 4.1 Thinking。Thinking 版是前者的增強(qiáng)推理變體，二者基于同一底層模型，僅推理配置不同。

值得一提的是，Grok 4.1 對(duì)所有人免費(fèi)開放，除了能在 Grok 官網(wǎng)、X 上使用，還推出了移動(dòng) APP 版，iOS 和安卓系統(tǒng)都照顧到了。

如果想要更有深度、更專業(yè)的回答，可以一鍵“讓 Think 更努力思考”。

從LMArena的最新結(jié)果看，Grok 4.1 Thinking 以1483 Elo斷層領(lǐng)跑，比 Gemini 2.5 Pro 高出 31 分。

即使在不啟用思考鏈的情況下，Grok 4.1 仍保持在榜單第二，顯示出底層能力的穩(wěn)定性。

有不少網(wǎng)友發(fā)出了“真香”感嘆，Be like：

當(dāng)然，也有一些質(zhì)疑聲，比如有人指出在生成代碼這塊兒，Grok 還不太有競(jìng)爭(zhēng)力。

“雙形態(tài)”的 Grok4.1 霸榜 LMArena

首先，關(guān)于Grok4.1 和 Grok4.1 Thinking 是什么，我們不妨來看看Grok4.1 自己的解釋：

Grok 4.1 是 xAI 于 2025 年 11 月 17 日發(fā)布的最新前沿大語言模型（Grok 4 的升級(jí)版），在對(duì)話智能、情感理解、創(chuàng)意寫作、事實(shí)準(zhǔn)確性和響應(yīng)速度上大幅提升。 Grok 4.1 Thinking（有時(shí)簡(jiǎn)稱 Grok 4.1 Thinking，代號(hào) quasarflux）是同一模型的思考 / 推理模式（reasoning mode），會(huì)額外使用“思考令牌”進(jìn)行鏈?zhǔn)酵评恚╟hain-of-thought），適合復(fù)雜數(shù)學(xué)、編程或多步問題。 Grok 4.1 Thinking 是 Grok4.1 的增強(qiáng)推理變體；二者基于同一底層模型，僅推理配置不同。

在全球最大、最具影響力的大模型盲測(cè)平臺(tái)LMArena上，Grok4.1 展現(xiàn)出突破性的實(shí)力。

作為行業(yè)普遍認(rèn)可的“非官方標(biāo)準(zhǔn)榜”，LMArena 通過匿名雙盲對(duì)戰(zhàn)和真實(shí)用戶投票來評(píng)估模型質(zhì)量，是 OpenAI、Google、Anthropic、Meta 等頭部公司測(cè)試新模型的常規(guī)陣地，也常被用于提前投放未公開版本。

因此，在這里的勝出，幾乎意味著真實(shí)用戶偏好和模型綜合能力的雙重認(rèn)可，是觀察模型真實(shí)實(shí)力的最可信風(fēng)向標(biāo)。

就在這樣一個(gè)競(jìng)爭(zhēng)最激烈的公開擂臺(tái)上，xAI 的 Grok 4.1 系列拿下了極具含金量的一次“雙冠”：Grok 4.1 Thinking 版以 1483 Elo 拿下冠軍，而非推理版 Grok 4.1 也以 1465 Elo 獲得亞軍。

特別值得注意的是，這個(gè)“即時(shí)響應(yīng)”的非推理版本，成績(jī)竟然反超所有其他廠商的推理模型，首次讓“快模型”也站上了頂級(jí)性能的第一梯隊(duì)，還把前代 Grok 4 遠(yuǎn)遠(yuǎn)甩至第 33 名。

亮眼成績(jī)的背后的關(guān)鍵，在于訓(xùn)練方式的重構(gòu)。

xAI 為 Grok 4.1 引入了大規(guī)模強(qiáng)化學(xué)習(xí)系統(tǒng)，并使用前沿推理模型作為獎(jiǎng)勵(lì)模型，讓其能夠在訓(xùn)練過程中自主評(píng)估、快速迭代。這直接帶來了更穩(wěn)定的風(fēng)格輸出、更可靠的事實(shí)判斷和更低的幻覺率。

在 Grok 4.1 的后訓(xùn)練階段，xAI 將優(yōu)化重點(diǎn)集中在信息檢索類提示中的幻覺上。

這些底層方法上的改變，很快在實(shí)際測(cè)試中體現(xiàn)為顯著的事實(shí)性改進(jìn)。最新數(shù)據(jù)顯示，Grok 4.1 的幻覺率已從 12.09% 下降至 4.22%，降幅接近三倍，成為本次升級(jí)中最突出的進(jìn)步之一。

為了進(jìn)一步驗(yàn)證這種“更準(zhǔn)事實(shí)”的能力，團(tuán)隊(duì)還引入了更嚴(yán)苛的外部基準(zhǔn)體系。其中最關(guān)鍵的指標(biāo)之一是 FActScore——由 500 個(gè)真實(shí)人物傳記問題組成，專門用于檢驗(yàn)?zāi)Ｐ驮谒阉鳌⑹聦?shí)判斷和回答一致性上的表現(xiàn)。

在這一測(cè)試中，Grok 4.1 的 FActScore 從 9.89 降至 2.97，可信度提升同樣顯著。結(jié)合圖表可以更直觀看到：在相同的非推理模式下，Grok 4.1 的錯(cuò)誤更少、偏差更小，整體輸出更可靠。

這意味著在涉及檢索、引用或調(diào)用外部事實(shí)的場(chǎng)景中，新版模型不再依賴語義猜測(cè)，而是能更準(zhǔn)確地給出基于證據(jù)的回答。

換句話說，Grok 4.1 在大模型最難突破的“事實(shí)穩(wěn)定性”方面邁出了關(guān)鍵一步——它不僅降低了錯(cuò)誤數(shù)量，更壓低了“錯(cuò)誤的自信”。而這，正是大模型從“能說”走向“可信”必須跨過的門檻。

與此同時(shí)，Grok 4.1 的“情商”也有顯著進(jìn)步。

在 EQ-Bench 測(cè)試中，Grok 4.1 拿下了 1586 Elo 的高分，比上一代整整提升了一百多點(diǎn)。如果光看數(shù)字還不夠直觀，那么圖片就更能說明問題：榜單上，Grok 4.1 和 Thinking 版穩(wěn)穩(wěn)占據(jù)前兩名，把一眾旗艦?zāi)Ｐ退υ谏砗螅?GPT-5 Chat、Gemini 2.5 Pro、Claude Opus 4 這種老牌強(qiáng)者，都被它輕松拉開了差距。

EQ-Bench 是一個(gè)由大模型評(píng)判的大模型情商測(cè)試集，用來評(píng)估主動(dòng)情緒理解、洞察、共情和人際交往能力。它并不靠單輪問答，而是由 45 個(gè)角色扮演場(chǎng)景構(gòu)成，每個(gè)場(chǎng)景包含 3 個(gè)回合，模擬現(xiàn)實(shí)世界里真正的“情緒對(duì)話”。模型需要在連續(xù)對(duì)話中保持風(fēng)格一致、理解情緒上下文、做出恰當(dāng)回應(yīng)。最終結(jié)果通過兩兩對(duì)比得出，并以 Elo 形式歸一化呈現(xiàn)。可以說，EQ-Bench 可以作為測(cè)試各模型“情商”的權(quán)威榜單。

為什么 Grok 4.1 能在 EQ-Bench 拿下這樣亮眼的成績(jī)？

在官方給出的一張關(guān)于“安慰失去貓咪”的對(duì)比圖中，我們能找到答案。

舊版 Grok 的回復(fù)已經(jīng)算得上溫和體貼，但 Grok 4.1 的表達(dá)明顯更細(xì)膩：它不只是在說“我理解你的難過”，還會(huì)捕捉到情緒里那些更隱微、真實(shí)的細(xì)節(jié)——比如空下來的睡窩、期待卻再聽不到的喵叫、那種像潮水一樣反復(fù)襲來的悲傷。語氣更穩(wěn)、節(jié)奏更自然、情緒共鳴更到位，讀起來就像在和一個(gè)真正懂你的人對(duì)話。

這使得 Grok 4.1 在情緒理解方面邁入第一梯隊(duì)

除了事實(shí)層面的可靠性，Grok 4.1 在創(chuàng)意寫作能力上同樣出現(xiàn)大幅躍升。

在 Creative Writing v3 中，Grok4.1 的得分躍升至 1722Elo，較上一版幾乎拉開 600 分，文本的敘事節(jié)奏、風(fēng)格延展性與創(chuàng)造性都有質(zhì)感躍升。

這個(gè)基準(zhǔn)本身，Creative Writing v3 并不是簡(jiǎn)單的“單輪評(píng)分”。在測(cè)試中，模型需要圍繞 32 個(gè)不同類別的寫作提示進(jìn)行 三輪獨(dú)立創(chuàng)作，涵蓋敘事、風(fēng)格模仿、世界構(gòu)建、人物情緒刻畫等復(fù)雜任務(wù)，考驗(yàn)的不是一句話的巧思，而是持續(xù)穩(wěn)定的文本創(chuàng)造能力。評(píng)分方式也和 EQ-Bench 類似，通過人工評(píng)分標(biāo)準(zhǔn)與模型對(duì)戰(zhàn)得到標(biāo)準(zhǔn)化 Elo 得分。

在這份榜單中，Grok 4.1 Thinking 和 Grok 4.1 占據(jù)第二、第三，兩者之間僅相差十幾分；而其他強(qiáng)勢(shì)模型如 O3、Claude Sonnet 4.5、Kimi K2 以及舊版 Grok 3 都被穩(wěn)穩(wěn)甩在后面，形成了明顯的檔位分層。

換句話說，Grok 4.1 已經(jīng)進(jìn)入全球最強(qiáng)“創(chuàng)意寫作梯隊(duì)”。

而在官方給出的新舊版本對(duì)比中，我們可以明顯看出，Grok 4.1 已從“能寫段子”的模型躍升為真正具備文學(xué)筆觸的創(chuàng)作者：敘事更深、情緒更復(fù)雜、修辭更成熟、角色更沉浸。

這些升級(jí)最終體現(xiàn)在更好的交互體驗(yàn)上。Grok 4.1 擁有更穩(wěn)定的“個(gè)性”，對(duì)用戶意圖的理解更細(xì)致，風(fēng)格調(diào)節(jié)更自然。即便在非推理模式下，它也能穩(wěn)定輸出高質(zhì)量回答，同時(shí)保持極快響應(yīng)速度。

一個(gè)直觀的例子是官方展示的旅游攻略對(duì)比。舊版 Grok 給出的內(nèi)容像“百科式景點(diǎn)總覽”，信息密度高但缺乏節(jié)奏感；而 Grok 4.1 寫舊金山，則像一位真正“去過”“懂氛圍”的本地向?qū)?，?huì)主動(dòng)提示拍照時(shí)間、推薦適合你的路線，甚至帶出城市的具體氣質(zhì)，更像在和一個(gè)真實(shí)的人交流。

在復(fù)雜任務(wù)處理中，Grok 4.1 的上下文窗口擴(kuò)展至 256K tokens，F(xiàn)ast 模式下更可達(dá) 200 萬，使其在長(zhǎng)文檔理解、持續(xù)協(xié)作與大型內(nèi)容生成中保持高連貫度，顯著減少“斷片”。

總體來看，Grok 4.1 的提升不是單點(diǎn)突破，而是從性能、事實(shí)性到情商、創(chuàng)意與交互體驗(yàn)的一次全維升級(jí)。

在正式亮相之前，Grok 4.1 其實(shí)已經(jīng)悄悄經(jīng)歷了一輪為期兩周的“靜默發(fā)布”。從 2025 年 11 月 1 日到 14 日，xAI 將一部分真實(shí)用戶流量在 grok.com、X 以及移動(dòng)端應(yīng)用中逐步切換到 Grok 4.1，以觀察它在真實(shí)環(huán)境下的表現(xiàn)。

這一階段最直觀的結(jié)果，被清晰地體現(xiàn)在那張 64.78% 的餅圖上：在雙盲對(duì)比、用戶不知情的前提下，Grok 4.1 的回答有 64.78% 的概率被用戶選為“更好”。換句話說，面對(duì)同樣的問題，用戶在超過六成的情況下更偏愛 Grok 4.1。

可以說，Grok 4.1 展現(xiàn)的更高的情緒理解、更穩(wěn)的事實(shí)性回應(yīng)、更自然的交互風(fēng)格，都通過靜默測(cè)試被真實(shí)用戶用投票“蓋章”。

無論是 LMArena 雙冠、幻覺率的斷崖式下降，還是創(chuàng)意寫作與情感能力的全面增強(qiáng)，新一代 Grok 已從“功能強(qiáng)”走向“體驗(yàn)強(qiáng)”，也為 xAI 在今年的大模型競(jìng)爭(zhēng)中交出了一份極具說服力的答卷。

我們實(shí)測(cè)了 Grok4.1

AI 前線也上手實(shí)測(cè)了 Grok4.1。

首先是推理能力測(cè)試，我們?cè)O(shè)計(jì)了一道看似正常、實(shí)際“有詐”（有 2 組解）的題（各位可以自己動(dòng)手驗(yàn)證下）：

“四個(gè)同學(xué)參加數(shù)學(xué)競(jìng)賽，分別是：小 A、小 B、小 C、小 D。 比賽結(jié)束后，他們對(duì)自己名次做了如下四個(gè)判斷： （1）小 A 說：“我不是第一名?！? （2）小 B 說：“我也不是最后一名?！? （3）小 C 說：“我是第二名” （4）小 D 說：“我才不是最后一名呢?！? 已知：這四句中只有一句是真話，且四個(gè)人名次兩兩不同。

問：哪一句是真話？四個(gè)人各自的名次如何？請(qǐng)給出推理過程。”

Grok 成功找出了 2 組解，還主動(dòng)修復(fù)題目 Bug。

不過需要說明的是，它其實(shí)在主動(dòng)修復(fù)題目 Bug 時(shí)“翻車”了，Grok 提出，如果把小 C 說的話改為：“小 B 是第二名”，這樣答案就有唯一性。

但修改后，結(jié)果其實(shí)還有多種：第一，如果有只有 B 在說真話，此時(shí)名次唯一確定為 A1、C2、B3、D4；第二，如果只有 D 在說真話，此時(shí)只能確定 A1、B4，C 和 D 分別為第 2 第 3 名但不唯一。

再來看看 Grok 的寫作能力。

我們給出了這樣的 Prompt：

用講故事的口吻，準(zhǔn)確且生動(dòng)地、有感染力地講述馬斯克 xAI 發(fā)布 Grok4.1 的事。要求字?jǐn)?shù)：500-600 字，必須包含：發(fā)布時(shí)間、產(chǎn)品亮點(diǎn)、市場(chǎng)背景等。

Grok4.1 的回答如下，還貼心地統(tǒng)計(jì)了字?jǐn)?shù)：578——但是，咱就是說，Grok 恐怕是統(tǒng)計(jì)的英文字?jǐn)?shù)（或者數(shù)學(xué)不好？），我們手工用 Word 統(tǒng)計(jì)了字?jǐn)?shù)：861 字。

最后，我們測(cè)了一下 Grok4.1 的圖像生成能力，效果不錯(cuò)：Grok 根據(jù)一段 Prompt 生成了兩張圖，還真挺像真實(shí)照片的（不過細(xì)節(jié)嘛，大家請(qǐng)自行評(píng)價(jià)）。

而且還能直接根據(jù)圖像，一鍵生成視頻，效果如下：

感興趣的讀者朋友們，也可以去上手試試。

https://x.com/xai/status/1990530499752980638

https://x.ai/news/grok-4-1

https://news.ycombinator.com/item?id=45958005

聲明：本文為 AI前線整理，不代表平臺(tái)觀點(diǎn)，未經(jīng)許可禁止轉(zhuǎn)載。

2025 技術(shù)年度盤點(diǎn)，由你來決定！

2025 年的科技浪潮令人應(yīng)接不暇。技術(shù)變化密集、層級(jí)交疊，讓人眼花繚亂。臨近年終，為了把有限的篇幅用在大家最關(guān)心的領(lǐng)域，我們今年希望借助投票的方式，選出數(shù)個(gè)關(guān)鍵領(lǐng)域進(jìn)行趨勢(shì)盤點(diǎn)。大家可以勾選出你最想看到的 3 個(gè)方向（可多選）。

除此之外，你還想看哪個(gè)方向的盤點(diǎn)? 有什么現(xiàn)象或爭(zhēng)議點(diǎn)你希望我們“深扒”一下？哪些趨勢(shì)你覺得太迷，需要專家?guī)憧炊?？?duì)于年終盤點(diǎn)，大家有任何想法，都非常歡迎在評(píng)論區(qū)留言告訴我們！

會(huì)議預(yù)告

12 月 19～20 日，AICon 2025 年度收官站在北京舉辦?，F(xiàn)已開啟 9 折優(yōu)惠。

兩天時(shí)間，聊最熱的 Agent、上下文工程、AI 產(chǎn)品創(chuàng)新等等話題，與頭部企業(yè)與創(chuàng)新團(tuán)隊(duì)的專家深度交流落地經(jīng)驗(yàn)與思考。2025 年最后一場(chǎng)，不容錯(cuò)過。

今日薦文

你也「在看」嗎？