Las pruebas grupales se han verificado como un enfoque rentable y eficiente en tiempo, donde las muestras individuales se agrupan con un tamaño de grupo predefinido para pruebas posteriores. Investigaciones recientes han explorado la integración de información covariable para mejorar la modelización de los datos de pruebas grupales. Mientras que los trabajos existentes para datos de alta dimensión se centran principalmente en modelos paramétricos, este estudio considera un modelo aditivo no paramétrico generalizado más flexible. Los componentes no lineales se aproximan utilizando B-splines y la estimación del modelo bajo la suposición de dispersión se realiza empleando group lasso. Los resultados teóricos demuestran que nuestro método selecciona el verdadero modelo con una alta probabilidad y proporciona estimaciones consistentes. Se realizaron estudios numéricos para ilustrar el buen rendimiento de nuestro método propuesto, utilizando tanto datos simulados como reales.