Grok 4.6 发布：剑指 GPT-5.6 Sol，主打长时间 Agent 任务

2026 年 8 月 12 日，xAI 发布 Grok 4.6，这是 7 月 Grok 4.5 的后继版本。这次发布的定位与上一次不同。这次并没有主打原始智能的跃升，而是一款为长时间运行的 Agent 和大刀阔斧的交互式、视觉化工作打造的模型：跨多步研究一个主题、在代码库中穿梭工作，或者把一个粗略的产品构想打磨成精致的第一版。

官方主打的数据比较克制。xAI 表示，Grok 4.6 在 Artificial Analysis Intelligence Index（九项基准测试的综合指数）上与 GPT-5.6 Sol 持平。在其余已公布的所有评估中，Grok 4.6 与 GPT-5.6 Sol 和 Anthropic 的 Fable 5 互有胜负，各有领先和落后。定价为每百万输入 token 2 美元、每百万输出 token 6 美元，更快的版本价格翻倍。

我靠用 Spring AI 构建 AI Agent 为生，所以最先关注的就是这个 Agent 化的定位。下面是这次发布实际包含了什么、数字在哪些地方站得住脚，以及它对前沿竞争意味着什么。

Grok 4.6 的新变化

官方公告对模型规模着墨甚少，大篇幅都在讲训练。公告从未提及参数数量。此前的报道说法不一：有报告指出沿用了与 Grok 4.5 相同的 1.5T V9 基座，仅做了大量后训练；也有报告指向更大的 2T 模型。无论哪种情况，xAI 的口径都是——这次发布重点在训练配方，而非模型规模。

公司实际描述的内容如下：

• 比 Grok 4.5 更长的补充训练阶段，使用由模型生成的精选数据来提升推理能力和高级技术概念，辅以高质量的工程数据和改良后的优化器及训练配方。
• 监督微调阶段：Grok 4.5 自己在推理工作流、Agent 测试框架以及 STEM、软件工程、知识工作等领域上重新生成了 SFT 轨迹。问题轨迹通过基于模型的检查过滤掉了。
• 强化学习覆盖范围广泛的 Agent 任务：通用编码、知识工作，以及内核优化、Web 开发、计算机辅助设计等领域的特定环境。

最值得关注的是行为层面的说法。xAI 表示，在更长的轨迹上，开始观察到更多的自我测试和验证行为——模型在继续之前会检查自己的输出。对于视觉和交互式项目，Grok 4.6 比 Grok 4.5 产生更强力的第一版输出，能够一次到位建立应用的结构和视觉语言，而不必经历多轮迭代。

基准测试表现

xAI 发布了十项评估，将 Grok 4.6 与 Grok 4.5、GPT-5.6 Sol Max 和 Fable 5 Max 进行对比。对手的数字来自已发布的技术报告和排行榜，所有数据均为自报，因此请将这些数字视为方向性参考。

AA Intelligence Index：61，与 GPT-5.6 Sol Max（61）持平，落后 Fable 5 Max（62）1 分，领先 Grok 4.5 High（56）5 分。

GDPVal-AA v2：1753，四者中最高。

CursorBench v3.2：69.9%，落后 Fable 5 Max（70.5%），领先 GPT-5.6 Sol Max（67.2%）。

FrontierCode v1.1（Extended）：61.3%，领先 GPT-5.6 Sol Max（60.6%），落后 Fable 5 Max（63.6%）。

DeepSWE v1.1：65.9%，与 GPT-5.6 Sol Max（73%）和 Fable 5 Max（70%）存在明显差距。这是相对表现最弱的一项。

Terminal-Bench v3.0：26%，大幅落后于两个竞争对手（34.6% 和 34.1%）。

APEX-Agents：57.5%，处于两者之间。

APEX-SWE：56.4%，落后 Fable 5 Max（58.8%）。

AA-Briefcase：1577，以微弱优势领先 Fable 5 Max（1574）。

Harvey LAB（Vals）：15.8%，轻松超越两个竞争对手。

Grok 4.6 在所有基准测试上都大幅领先 Grok 4.5 High。与顶尖梯队相比，格局喜忧参半：在 GDPVal-AA、AA-Briefcase 和 Harvey LAB 上胜出，在综合指数上持平，在 DeepSWE 和 Terminal-Bench 上明显落败。最后一项不可忽视。Terminal-Bench 衡量的是真实终端工作，26% 对阵 34% 不是一个四舍五入的误差。

定价与可用性

Grok 4.6 起步价为每百万输入 token 2 美元、每百万输出 token 6 美元。更快的版本价格翻倍。xAI 将其定调为"大约只有可比前沿模型定价的一半"，而定价这部分无需任何基准测试解读。

即日起已在 Cursor 和 Grok Build 上线，并通过 API 提供，渠道包括 console.x.ai、OpenRouter、Vercel 和 Cloudflare 等合作伙伴。第一周，xAI 在 Grok Build 和 Cursor 提供双倍的包含用量。

这对前沿竞争意味着什么

Grok 4.5 于 2026 年 7 月 16 日发布，Musk 两天后确认 4.6 已在开发中。他的公开时间表显示 4.6 在两周内发布、4.7 在四周内发布，而 8 月初的一次泄露指出 4.7 将携带更大的 2.1T 架构。如果属实，4.6 是后训练版本，4.7 才是规模跃升。xAI 同时在跑两个实验：在一个现有基座上能榨取多少，以及更大的基座在此基础上能带来多少增益。

xAI 选择公布哪些基准测试本身就是一个表态。DeepSWE、CursorBench、Terminal-Bench、APEX、AA-Briefcase：这些都是 Agent 化和编码评估，而非一年前主导发布会的知识和数学基准。前沿的讨论已经转向长时域 Agent 工作，每个实验室现在都在为之优化。

对 Agent 构建者的意义

对于正在交付 Agent 功能的人来说，这次发布中有两点值得付诸行动。

第一，自我验证行为。一个在长轨迹上能检查自己输出的模型，会改变你的测试框架需要做的事。无需在每个工具调用外层包手动验证，而是可以让模型自己捕获错误，把你的检查留给真正关键的接缝处。这是我自己在 Spring AI Agent 中最在意的模式：act、observe、verify 的循环，Agent 要么在这里证明自己的价值，要么在这里崩盘。

第二，价格。长时域 Agent 运行消耗 token 的方式与短 prompt 完全不同。每次重试和每次工具调用失败都是一次新的请求。以每百万 token 2 美元和 6 美元的价格，更快版本价格翻倍，长时域任务让 Agent 持续工作的性价比高于前沿模型的通常水平。

注意事项是真实的。基准测试是自报的，Terminal-Bench 显示了真实的弱点，而且模型在所有平台同步上线：Cursor、Grok Build、API 和各个合作伙伴平台。Agent 化相关分数需要在你的脚手架里复现才有意义。但对于一个明确以长时域 Agent 为核心的发布而言，强劲的 Agent 化评估、半价 token，以及建立在验证基础上的训练叙事，这是一个实实在在的进步。

官方公告有完整的基准测试表格，OfficeChai 的解析也逐条梳理了同样的数字。如果你正在构建 Agent，Grok 4.6 值得在这周测试一下，尤其在双倍用量优惠还在的时候。你会先拿它跑哪个 Agent 工作负载？