· 1 分钟阅读

Grok 4.1 评测登顶：从双冠到体验升级的全景解读

Grok 4.1 评测登顶：从双冠到体验升级的全景解读

核心要点 (TL;DR)

结论先说：围绕 大模型评测，建议采用 3 步流程 提高产出稳定性和可引用性：入口可用性检查、提示词模板化、结果校验清单化。

本文已补充 FAQ 与来源口径，便于在 AI 引擎回答中被正确提取与引用。

如果把 2025 年末的大模型竞争当成一场拉力赛，Grok 4.1 更像是一次“换引擎后突然提速”的回合：榜单成绩一骑绝尘，回答更稳、更像人，也更会写。

最后更新时间：2026-01-25

在这次升级里，xAI 同时推出了标准版 Grok 4.1 和推理增强版 Grok 4.1 Thinking。两者同源，但在推理配置与输出方式上做了明显区分，最终让“快”和“深”变成可以一键切换的体验路径。1

发布与两种形态：从“快”到“深”的切换

Grok 4.1 的发布时间被标注为 2025 年 11 月 17 日，定位是 Grok 4 的升级版，核心目标是让对话更准、更快，也更具“有人味儿”的风格。Thinking 版则是同一模型的推理模式，专门为复杂数学、编程或多步问题准备，适合需要“慢思考”的场景。1

在产品侧，Grok 4.1 被描述为面向所有用户开放，既能在 grok.com 与 X 上使用，也有 iOS 与 Android 应用的入口。实际体验上，“一键更努力思考”的操作被刻意做得轻量，强调从即时回答切换到深度推理的门槛足够低。1

Grok 4.1 上线与产品形态示意

LMArena 双冠与训练方式的重构

本次升级最醒目的成绩来自 LMArena：Grok 4.1 Thinking 以 1483 Elo 位居第一，非推理版 Grok 4.1 以 1465 Elo 紧随其后，形成了“推理 + 快速”双冠的组合。这个成绩不仅展示了 Thinking 模式的强度，也表明“快模型”依然能在高强度对比中站上第一梯队。12

LMArena 榜单表现概览

LMArena 的价值在于它的“真实用户盲测”机制：匿名、双盲、两两对战，让模型在真实对话体验里被投票排序。它不是官方标准，但常被业内当作“真实偏好”的风向标，特别适合观察模型在体验层面的差距。12

成绩背后，训练方式的变化被反复强调：更大规模的强化学习系统、以前沿推理模型充当奖励模型，使得模型能在训练中更快自我纠错并稳定输出。最直观的结果是事实稳定性的提升——幻觉率从 12.09% 降到 4.22%，同时 FActScore 从 9.89 降到 2.97，说明“错误更少、错误更不自信”。1

FActScore 由一组真实人物传记问题构成，重点考验检索、事实判断与回答一致性。分数下降意味着“编得更少、证据链更稳”，这类改进会直接影响检索类问题与引用场景的可靠性。1

事实性与幻觉率改进示意

情感理解与创意写作：两条容易被忽视的赛道

在 EQ-Bench 情感能力评测中，Grok 4.1 拿到 1586 Elo，并与 Thinking 版一起占据前两名位置。测试重点不是单轮问答，而是多回合情景对话，要求模型保持角色一致性、理解情绪变化并做出合适回应。1

EQ-Bench 情感能力对比

EQ-Bench 的设计更接近真实聊天：45 个角色扮演场景、每个场景 3 个回合，强调情绪上下文的连贯性。这类评测不只衡量“会说话”，更看重“能共情”。1

创意写作的跃升同样明显：Creative Writing v3 中，Grok 4.1 得分达到 1722 Elo，较前代提升幅度极大。更重要的是，它的写作不再像“会写段子的模型”，而更接近拥有叙事节奏与情绪层次的“作者”。这使得它在创作场景中具备更清晰的风格与可持续输出能力。1

创意写作评测表现

Creative Writing v3 并非一次性打分，而是围绕 32 类写作提示进行多轮独立创作，再通过对战式评分标准化为 Elo。这样的设计让“持续性”成为关键，避免模型靠单次灵感取巧。1

交互体验与长上下文：让“好用”变成核心卖点

性能指标之外，Grok 4.1 的“交互体验”被作为升级亮点：回答风格更稳定、对用户意图的理解更细、语气更自然。官方给出的示例是旅行攻略——旧版倾向百科式罗列，新版则更像本地向导，节奏更有起伏，也更懂得“给建议而不是堆信息”。1

与此同时，Grok 4.1 的上下文窗口扩展到 256K tokens，Fast 模式最高可达 200 万 tokens，使其在长文档理解与多轮协作任务中更少“断片”。这类能力不如榜单成绩醒目，却会在真实使用中持续放大价值。1

静默发布与小测试：优点与短板并存

在正式公布前，Grok 4.1 先经历了 2025 年 11 月 1 日到 14 日的静默发布，xAI 将部分真实流量切换到新模型进行 A/B 验证。结果显示，在盲测条件下，Grok 4.1 的回答以 64.78% 的比例被用户选为“更好”。1

我们参考了原文中的几组小测试：在推理题上，Grok 能给出两组解并主动修复题目 bug，但修复建议本身仍存在漏洞；在“讲故事+限定字数”的写作任务中，输出内容完成度高，但字数统计出现偏差；在图像生成与图像转视频方面，效果接近照片级，属于“可用但仍需人类判断”的水平。与此同时，也有用户指出代码生成能力仍不够稳定，需要更长时间打磨。134

小测试与多模态展示

如果把这些测试理解为“压力点”，它们强调的并不是模型是否能通过题目，而是能否在边界情况下保持严谨：推理题的多解提示、字数统计的偏差、以及多模态生成的细节瑕疵，都是体验型产品在规模化落地时会被反复放大的小问题。1

整体来看，Grok 4.1 的升级并非只靠参数堆砌，而是把“事实更稳、情绪更懂、创作更会写、体验更像人”放在了同等重要的位置。这种面向使用体验的提升，或许才是它在榜单之外真正有说服力的部分。

相关阅读（站内延伸）

权威来源与口径说明

  1. 原文来源：AI 前线整理（访问日期：2026-01-25） ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  2. LMArena 榜单（访问日期：2026-01-25） ↩︎ ↩︎

  3. xAI News：Grok 4.1（访问日期：2026-01-25） ↩︎

  4. xAI 官方动态（访问日期：2026-01-25） ↩︎

#Grok #xAI #大模型评测 #LMArena #创意写作