團(tuán)隊(duì)沿用了 Grok 4 的大規(guī)模強(qiáng)化學(xué)習(xí)基礎(chǔ)設(shè)施，并將其應(yīng)用于優(yōu)化模型的風(fēng)格、個(gè)性、實(shí)用性和一致性。

為了優(yōu)化這些不可驗(yàn)證的獎(jiǎng)勵(lì)信號(hào)，他們開發(fā)了新的方法，通過使用前沿的智能推理模型作為獎(jiǎng)勵(lì)模型，進(jìn)行大規(guī)模地自主評(píng)估和迭代響應(yīng)。

創(chuàng)意和情感

在 LMArena 的文本榜單中，Grok 4.1 Thinking 以 1483 Elo 分高居榜首，比排名最高的非 xAI 模型高出 31 分。

Grok 4.1 的非推理模式不使用任何思考標(biāo)記進(jìn)行即時(shí)響應(yīng)，以 1465 Elo 分位列第二。Grok 4 總排名僅為第 33 位。

團(tuán)隊(duì)使用 EQ-Bench3 對(duì) Grok 4.1 進(jìn)行了人際交往評(píng)估。EQ-Bench 是一項(xiàng)由 LLM 評(píng)判的測試，用于評(píng)估主動(dòng)情商、理解力、洞察力、同理心和人際交往能力。

測試集包含 45 個(gè)具有挑戰(zhàn)性的角色扮演場景，通過驗(yàn)證模型對(duì)多個(gè)標(biāo)準(zhǔn)的響應(yīng)來評(píng)估模型的性能。Grok 4.1 在測試中高居榜首。

4.1 版本模型在創(chuàng)意寫作 v3 基準(zhǔn)測試上也獲得了不錯(cuò)的成績。在該基準(zhǔn)測試中，模型需要對(duì) 32 個(gè)不同的寫作提示進(jìn)行 3 次迭代并生成答案。

幻覺減少

由于推理深度受限和工具調(diào)用預(yù)算有限，模型可能容易出現(xiàn)事實(shí)錯(cuò)誤。

研究人員觀察到，對(duì)于抽樣生成的信息檢索提示，幻覺發(fā)生率顯著降低。

基于生產(chǎn)環(huán)境流量的真實(shí)信息搜索查詢分層樣本評(píng)估幻覺發(fā)生率，團(tuán)隊(duì)還評(píng)估了 FActScore，這是一個(gè)包含 500 個(gè)關(guān)于個(gè)人傳記問題的公開基準(zhǔn)測試。

Grok 4.1 現(xiàn)已面向所有用戶開放，可通過 Grok 官網(wǎng)和 X 以及 iOS 和 Android 應(yīng)用使用。

參考資料：

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