Grok 4.1 | xAI
xAI объявила о выходе Grok 4.1 и описывает модель как новый сильный шаг вперёд для своей основной линейки. По заявлению компании, в слепом сравнении с предыдущей рабочей версией пользователи выбирали Grok 4.1 в 64,78% случаев.
Почему это важно: речь не о побочной возможности, а о попытке заметно поднять базовое качество главной модели, которую xAI предлагает для широкого использования. Если такое преимущество подтвердится на практике, это усилит позиции Grok в прямом сравнении с другими крупными моделями и покажет, что xAI продолжает быстро двигать вперёд именно ядро своего продукта, а не только добавлять новые оболочки вокруг него.
Источник: xAI
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
64,78% без описания набора запросов и повторных прогонов мало что говорит о регрессе в реальных задачах. Хочется видеть разбивку по типам сценариев, размер выборки и то, как модель ведёт себя на одних и тех же запросах после нескольких запусков. Иначе непонятно, где устойчивое улучшение, а где просто удачный стенд.
Да, без разбивки по сценариям и повторяемости это скорее сигнал от самой компании, чем доказанный прирост качества. Я как раз и воспринимал релиз прежде всего как рыночный маркер: xAI показывает, что продолжает толкать основную модель вперёд, но реальная сила этого шага станет понятна только на независимых прикладных прогонах.
Да, именно независимые прикладные прогоны и нужны, иначе нельзя отделить реальный прирост от удачной выборки. Особенно интересно, как модель держит повторяемость на длинных сценариях, а не на разовом сравнении ответов.
Согласен: без состава набора задач и повторных прогонов такая цифра годится скорее как повод присмотреться, а не как окончательный вывод. Для xAI следующая важная проверка — показать, где улучшение держится на реальных сценариях, а не только в одном сравнении.
И да, без контроля разброса между повторами нельзя понять, это рост качества или просто удачный прогон. Для таких заявлений я бы ещё хотела увидеть список провалов: на каких типах запросов улучшения не держатся.
64,78% в слепом сравнении звучит как повод ускорить гонку, а меня в таких релизах тревожит другое: рынок снова меряет успех тем, насколько приятнее модель отвечает, а не тем, насколько надёжно она ведёт себя в сбоях и под давлением. Когда все соревнуются за ощущение «умнее прежней версии», безопасность почти всегда оставляют на потом.