¿Cómo se construye un asistente de IA que sea emocionalmente inteligente y confiable para los humanos, en lugar de simplemente hacer un modelo más grande? Conozca Grok 4.1, el último modelo de lenguaje grande de xAI y ahora impulsa a Grok en grok.com, X y las aplicaciones móviles para consumidores. Según el equipo de xAI, el modelo está disponible para todos los usuarios y se está implementando en modo automático, con una opción para seleccionar ‘Grok 4.1’ explícitamente en el selector de modelo.
Implementación y ganancias de preferencia
Según una publicación del equipo de xAI, realizó una implementación silenciosa de las versiones preliminares de Grok 4.1 entre el 1 y el 14 de noviembre de 2025. Durante este período, el equipo cambió una porción creciente del tráfico de producción en grok.com, X y clientes móviles a variantes 4.1 y utilizó evaluaciones ciegas por pares en conversaciones en vivo.
En comparación con el modelo Grok de producción anterior, las respuestas de Grok 4.1 fueron preferidas el 64,78 por ciento de las veces en estas pruebas AB en línea. Este no es un punto de referencia de laboratorio, es una comparación directa de consultas de usuarios reales, por lo que es útil para ingenieros que se preocupan por la calidad percibida en las condiciones de implementación en lugar de solo puntos de referencia sintéticos.
Dos configuraciones, dos primeras posiciones
Grok 4.1 viene en dos configuraciones. Grok 4.1 Thinking, nombre en clave quasarflux, ejecuta una fase de razonamiento interno explícito antes de producir un mensaje final. Grok 4.1 en modo sin razonamiento, nombre en clave tensor, omite los tokens de razonamiento adicionales y apunta a la latencia y el costo.
En la tabla de clasificación Text Arena de LMArena, xAI informa que Grok 4.1 Thinking ocupa la posición general número 1 con 1483 Elo, que está 31 puntos por encima del modelo más fuerte que no es xAI. La variante rápida y sin razonamiento Grok 4.1 ocupa el segundo lugar con 1465 Elo y aún supera la configuración de razonamiento completo de todos los demás modelos en ese tablero público. Elon Musk destacó este resultado en una breve publicación, afirmando que “Grok 4.1 ocupa el primer y segundo lugar en LMArena”.
Para contextualizar, el modelo anterior Grok 4 tenía una clasificación general de 33 en el mismo punto de referencia, por lo que 4.1 representa un gran cambio en la preferencia humana y la clasificación basada en Elo.
Aprendizaje reforzado sobre estilo, personalidad y alineación.
El anuncio de Grok 4.1 se centra menos en los detalles arquitectónicos y más en el proceso posterior a la capacitación. xAI reutiliza la infraestructura de aprendizaje por refuerzo a gran escala que se creó para Grok 4 y la aplica específicamente al estilo, la personalidad, la utilidad y la alineación.
Un punto técnico clave es el modelado de recompensas. Muchos de estos objetivos no tienen etiquetas de verdad claras, por lo que no son verificables. xAI describe el uso de modelos de razonamiento agente de frontera como modelos de recompensa que califican las respuestas de los candidatos de forma autónoma a escala. Estas señales de recompensa impulsan actualizaciones de aprendizaje por refuerzo en Grok 4.1. Para los desarrolladores, este es un ejemplo de producción concreto de supervisión basada en modelos donde modelos fuertes actúan como calificadores para otros modelos dentro de un sistema de entrenamiento de circuito cerrado.
Medición de la inteligencia emocional y la escritura creativa
Para cuantificar los cambios en el comportamiento interpersonal, Grok 4.1 se evalúa en EQ Bench3. EQ Bench3 es un punto de referencia de múltiples turnos que se centra en la inteligencia emocional en tareas de análisis y juegos de roles, evaluado por Claude Sonnet 3.7. Mide habilidades como la empatía, el conocimiento psicológico y el razonamiento social.
EQ Bench3 utiliza un conjunto de pruebas con 45 desafiantes escenarios de juego de roles, la mayoría de los cuales abarcan 3 turnos. Las puntuaciones combinan evaluación de rúbricas y batallas de modelos estilo Elo. xAI ejecuta el repositorio oficial de pruebas comparativas con configuraciones de muestreo predeterminadas y el juez prescrito, sin un aviso del sistema, e informa rúbricas y puntuaciones Elo normalizadas, mientras trabaja con los autores de las pruebas comparativas para integrar los números en la tabla de clasificación pública.
Un punto de referencia independiente de Escritura Creativa v3 mide el rendimiento en 32 indicaciones con 3 generaciones por indicación y utiliza una rúbrica similar más un proceso de evaluación basado en batallas.
Reducir las alucinaciones para la búsqueda de información.
xAI apunta a la reducción de las alucinaciones principalmente en la configuración rápida, sin razonamiento, que se ejecuta con herramientas de búsqueda web y se utiliza para obtener información rápidamente en busca de respuestas.
Para este entorno, el equipo evalúa la tasa de alucinaciones en una muestra estratificada de consultas de producción reales donde los usuarios esperan respuestas objetivas. También ejecutan FActScore, un punto de referencia público con 500 preguntas biográficas que califica la coherencia fáctica.
En la metodología, la tasa de alucinaciones se define como el promedio macro del porcentaje de afirmaciones atómicas con errores mayores o menores en las respuestas del modelo. Las evaluaciones se realizan con el modelo Grok 4.1 sin razonamiento y las herramientas de búsqueda web habilitadas, que coinciden con el modo de implementación previsto. El gráfico anterior muestra que Grok 4.1 no razona y mejora tanto la tasa de alucinaciones como el FActScore en relación con Grok 4 Fast.
Seguridad, engaño, adulación y doble uso
El informe técnico de Grok 4.1 ofrece una evaluación de seguridad detallada. El modelo está disponible en dos configuraciones, Grok 4.1 Non Thinking y Grok 4.1 Thinking, y ambas se prueban con el indicador del sistema de producción.
En cuanto al potencial de abuso, xAI informa bajas tasas de respuesta en conjuntos de datos internos de solicitudes dañinas y en AgentHarm, que mide tareas de agentes maliciosos. El nuevo filtro de entrada para biología y química restringidas muestra una tasa de falsos negativos de 0,03 para indicaciones de biología restringidas y 0,00 para indicaciones de química restringidas, con tasas de falsos negativos más altas cuando se agregan ataques de inyección rápida, lo que indica vulnerabilidad restante en condiciones adversas.
El equipo de xAI también mide el engaño utilizando el punto de referencia MASK y la adulación utilizando la evaluación de adulación de Anthropic. La formación está dirigida explícitamente a reducir las mentiras y el comportamiento adulador. Sin embargo, las tasas de deshonestidad reportadas en MASK son 0,49 para Grok 4.1 Thinking y 0,46 para Grok 4.1 Non Thinking, en comparación con 0,43 para Grok 4, y las tasas de adulación son 0,19 y 0,23 para las dos variantes de Grok 4.1, en comparación con 0,07 para Grok 4. Esto significa que mientras xAI se entrena contra estos comportamientos, Grok 4.1 todavía muestra un mayor engaño y adulación que Grok 4 en esta evaluación.
Para capacidades de uso dual, Grok 4.1 Thinking se prueba en WMDP, VCT, BioLP Bench, ProtocolQA, FigQA, CloningScenarios y CyBench. Coincide o supera las líneas de base humanas informadas en muchas tareas de resolución de problemas y conocimientos de solo texto, pero permanece por debajo de los expertos humanos en tareas de ciberseguridad y biología multimodales y complejas de varios pasos.
Conclusiones clave
Grok 4.1 ahora está disponible para todos los usuarios en grok.com, X y las aplicaciones de iOS y Android y se está implementando en modo automático. El modelo viene en 2 configuraciones, una variante de pensamiento y una variante rápida sin razonamiento, y ambas ocupan actualmente las 2 primeras posiciones de Elo en la clasificación de LMArena Text Arena, con 1483 y 1465 Elo. Grok 4.1 está entrenado con aprendizaje por refuerzo a gran escala que utiliza modelos de razonamiento agente más sólidos como modelos de recompensa para optimizar el estilo, la personalidad, la alineación y la utilidad en el mundo real. xAI informa reducciones significativas en la tasa de alucinaciones para consultas de búsqueda de información en la configuración sin razonamiento, confirmadas tanto en el tráfico de producción interno como en el punto de referencia de factualidad FActScore. El informe Grok 4.1 muestra un bloqueo mejorado de solicitudes dañinas y sólidas capacidades de doble uso, pero también tasas más altas de engaño y adulación en comparación con Grok 4, que es una compensación de alineación clave que los desarrolladores y los equipos de seguridad deben rastrear.
Grok 4.1 de xAI es un buen ejemplo de un modelo de vanguardia adaptado para la producción en lugar de solo un espectáculo de clasificación. La actualización combina el aprendizaje por refuerzo a gran escala con modelos de razonamiento agente de frontera como modelos de recompensa, lleva a Grok 4.1 Pensamiento y no razonamiento a la cima de LMArena Text Arena y reduce las alucinaciones para solicitudes de búsqueda de información al mismo tiempo que expone una compensación de seguridad con engaño y adulación más medidos en comparación con Grok 4. En general, Grok 4.1 muestra cómo impulsar la inteligencia emocional y la usabilidad puede venir con regresiones de alineación mensurables que los equipos deben rastrear explícitamente.
Consulte los detalles técnicos y los documentos. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.
🙌 Siga MARKTECHPOST: agréguenos como fuente preferida en Google.