Grok 4.6 性能追平 GPT-5.6 Sol，价格仅为六分之一

简报：xAI 于 2026 年 8 月 12 日发布 Grok 4.6——这是一次后训练层面的改进，而非更大的基础模型——在 Artificial Analysis 智能指数（61 分）上与 GPT-5.6 Sol Max 完全持平，同时输入 token 收费约低 60%、输出 token 收费约低 80%。持平并不是最值得关注的点。决定性的数字是轮次效率：Grok 4.6 在长周期 agent 任务中平均以约 53 轮和约 5 亿个输入 token 解决问题，而 Claude Opus 5 需要约 103 轮和约 20 亿个 token。尖端模型的竞争已经不再是看谁拥有最智能的模型——而是看谁能以最低成本运行一个 agent。

一个月前，Grok 4.5 于 2026 年 7 月 16 日发布，xAI 确认下一版本已在开发中。这一节奏得到了保持：Grok 4.6 于 8 月 12 日到来，且与大多数尖端发布不同，它并没有声称是一个更大的模型。这是一次纯粹的后训练推进——相同的基础、更长的训练周期、重建的监督微调轨迹，以及在 agent 环境中的强化学习（来源：MarkTechPost — SpaceXAI 推出 Grok 4.6）。

这一发布策略很重要。过去一年，尖端模型的竞争一直围绕参数量和基准测试天花板展开。Grok 4.6 的定位——"与领先者持平，成本只是零头"——反映的是一个已经超越原始智能、开始优化 agent 工作数小时的单元经济学的市场。

1. 后训练，而非 Scaling

xAI 保持基础模型不变，将预算投入到训练配方上：模型生成并筛选的推理数据、高质量的工程数据、改进的优化器，以及在知识工作、通用编码、Web 开发、计算机辅助设计和内核优化上的强化学习。该模型保留了 500,000 token 的上下文窗口，支持文本和图像输入，并在 Grok 4.5 推出的推理努力等级上增加了 xhigh 级别（来源：xAI — Grok 4.6）。

值得关注的行为声明是自我验证。xAI 指出，在更长的轨迹上，Grok 4.6 在继续下一步之前越来越多地验证自己的工作——这是供应商的观察，而非独立测量，但与以下基准测试结果一致。参数数量未公布，也没有开源权重版本：这是一个仅通过 API 访问的模型，在 Cursor 和 Grok Build 上发布首日即可用。

2. 基准测试全景：顶端持平、agent 任务胜出、编码下滑

在 Artificial Analysis 智能指数上，Grok 4.6 获得 61 分——比 Grok 4.5 的 56 分高出 5 分，与 GPT-5.6 Sol Max（61）持平，落后于 Claude Opus 5（63）和 Claude Fable 5（62）（来源：Artificial Analysis — Grok 4.6 基准测试与分析）。

其最佳表现集中在 agent 工作上，而非静态推理。GDPval-AA v2——Artificial Analysis 用于真实场景下知识型 agent 工作的主要指标——达到 1753 Elo，仅次于 Claude Opus 5，与 Fable 5 和 Qwen3.8 Max 在统计上无法区分。在 τ³-Banking（多轮工具使用客服）上，它获得 50.7%，与 Qwen3.8 Max 的 51.3% 并列第一阵营。在 Terminal-Bench v2.1 上，它达到 88.4%，处于领先者水平。

失败与胜利同样具有启发性。在 DeepSWE v1.1——工程团队真正关注的基准——上，Grok 4.6 获得 65.9%，较上一代提升 11.9 分，但与 GPT-5.6 Sol Max 相比有 7 分的明显差距。在 Terminal-Bench v3.0 上，它达到 26%，约为 Grok 4.5 的 15.7% 的两倍，但在列出的四个模型中仍排名末位（来源：MarkTechPost — SpaceXAI 推出 Grok 4.6）。诚实的解读是：xAI 以更低的成本获得了 agent 能力，但深度编码的可靠性尚未到位。

3. 轮次效率：新的战场

这是重新定义整个发布的数字。在 AA-Briefcase——Artificial Analysis 用于长周期知识型 agent 工作的私有基准——上，Grok 4.6 以 1577 Elo 首次亮相，与 Fable 5 处于同一水平，但达到这一回答仅需约 53 轮和约 5 亿个输入 token，而 Claude Opus 5（max）需要约 103 轮和约 20 亿个 token（来源：Artificial Analysis — Grok 4.6 基准测试与分析）。

轮次减半，输入 token 仅为四分之一。长时 agent 会话以指数级累积上下文，因此一个以少 4 倍的上下文达到相当回答的模型，在超出其目录价格的优势上获得了复合成本收益。按任务衡量的成本为 0.84 美元——与稍低智能的开源模型 Kimi K3 相同，这使 Grok 4.6 处于整个智能指数帕累托前沿上。

公开价格为每百万 token 2 美元/6 美元（输入/输出）——比 Claude Opus 5（5 美元/25 美元）低 60%，在输出维度上比 GPT-5.6 Sol（5 美元/30 美元）低 80%，而输出是重度推理工作负载的主导成本项。但有一个需要建模的陷阱：超过 200,000 token 的提示后，费率翻倍至 4 美元/12 美元，且适用于整个请求；缓存输入的价格也从 0.30 美元悄然升至 0.50 美元（来源：Netalith — Grok 4.6：费率、基准测试和真正的新变化）。对于该模型优化方向的超长上下文工作负载，"半价"的叙事有所削弱。

4. 策略：开源权重的分歧与 4.7 的阴影

Grok 4.6 加剧了整个夏季以来逐渐显现的战略分歧。一派——Meta 的 Muse Glimmer 和 Moonshot 的 Kimi K3——押注开源权重和本地部署。另一派——xAI、OpenAI、Anthropic——押注闭源模型、仅通过 API 访问，通过集成工具和托管定价获得优势。Grok 4.6 明确属于第二类：无自托管路径、无权重，但在 Cursor、Grok Build、OpenRouter、Vercel 和 Cloudflare 上发布首日即可用。

可持续性的问题在于这一版本能否在自身的路线图下存活。Grok 4.7——一个更大的架构，公布参数量约 2.1 万亿——预计将在几周内到来，而 Grok 5 的目标是在 2026 年底之前（来源：DEV Community — Grok 4.6：对 agent 开发者的意义）。如果这得到确认，Grok 4.6 是一个过渡版本：xAI 同时进行两个实验——更大基础模型带来什么，以及仅靠后训练能提取出什么。

Grok 4.6 真的和 GPT-5.6 Sol 一样智能吗？ 在综合智能指数上，两者以 61 分持平，但侧影不同。Grok 4.6 在 agent 评估上占优（GDPval-AA v2、τ³-Banking），在深度编码上落后（DeepSWE、Terminal-Bench v3.0）。"一样智能"完全取决于任务。

它真的便宜很多吗？ 每百万 token 2 美元/6 美元（输入/输出），而 Opus 5 为 5 美元/25 美元，Sol 为 5 美元/30 美元。输入便宜 60%、输出便宜 80%——但超过 200,000 token 提示后，费率翻倍至 4 美元/12 美元，适用于整个请求。

权重是开源的吗？ 否。它仅通过 API 访问，来源为 xAI、Cursor、Grok Build 和合作平台。如果你需要本地部署或隔离环境，请转向 Kimi K3 或 Muse Glimmer。

Grok 4.7 呢？ 预计几周内到来，架构公布约 2.1 万亿参数。Grok 4.6 可能是一个短暂的过渡版本：因此请根据 API 端点而非精确版本做规划。

来源：

Artificial Analysis — Benchmarks et analyse de Grok 4.6

MarkTechPost — SpaceXAI lance Grok 4.6

xAI — Annonce de Grok 4.6

Netalith — Grok 4.6 : tarifs, benchmarks et vraies nouveautés

DEV Community — Grok 4.6 : ce que cela signifie pour les développeurs d'agents

本文最初发表于 The Agent Report。