Grok 4.6: Funcții, benchmarkuri, prețuri și comparații

Ce este Grok 4.6?

Grok 4.6 este modelul proprietar de raționament al SpaceXAI. API-ul și Cursorul nu expun aceeași limită de context, iar tariful mai mare pentru context lung începe mult înainte de limita API-ului. Tabelul pune aceste constrângeri alături de tipurile de input, unelte și tăierea cunoștințelor.

SpaceXAI încă nu publică un număr de parametri pentru niciunul dintre modele. Cifra de 1,5 trilioane din unele rapoarte nu a venit de la SpaceXAI, deci nu este o specificație confirmată.

Ce e nou în Grok 4.6?

SpaceXAI spune că acesta nu este un model nou antrenat de la zero. În schimb, i-a oferit lui Grok 4.5 mai mult antrenament, cu atenție suplimentară pe sarcini de agenți AI. Schimbările raportate țin de rulari mai lungi pentru agenți, construcții vizuale și post-antrenare.

Sarcini de agent mai lungi

SpaceXAI spune că Grok 4.6 rămâne pe traseu în timpul sarcinilor lungi cu mai mulți pași, precum cercetare, lucru pe un cod-bază și construirea unei aplicații. Se pare că modelul își verifică munca mai des în loc să facă totul dintr-o singură trecere.

Asta se potrivește cu o schimbare mai amplă în testarea modelelor. Un prim răspuns bun contează mai puțin dacă modelul uită deciziile anterioare după mai multe apeluri de unelte. Testarea internă a GitHub a constatat, de asemenea, că Grok 4.6 a continuat raționamentul și folosirea uneltelor pe sarcini mai lungi.

API-ul are funcții legate de acea afirmație. Grok 4.6 poate transmite în flux rezumate de raționament, lucru pe care Grok 4.5 nu îl expune, iar xAI recomandă compactarea contextului cu un prompt_cache_key persistent pentru bucle lungi de agent. Compactarea scurtează istoricul anterior într-un singur element, dar tot folosește tokeni, iar cererea trebuie să încapă în fereastra de context înainte ca compactarea să ruleze.

Dezvoltare web vizuală și interactivă

SpaceXAI și Cursor raportează amândouă prime încercări mai bune pe proiecte vizuale. Într-un test extern, Grok 4.6 a reconstruit o pagină veche a iPod Mini ca site 3D cu roată de culori funcțională și animație la derulare. Demo-ul a funcționat, dar un singur test nu poate dovedi afirmația mai largă.

Cum a fost post-antrenat Grok 4.6

Dacă te interesează doar benchmarkurile și prețurile, sari peste această subsecțiune. Ea explică relatarea SpaceXAI despre sursa câștigului.

SpaceXAI a rulat mai mult antrenament decât pentru Grok 4.5. A folosit exemple de raționament generate de AI și exemple inginerești, a eliminat exemplele slabe cu verificări bazate pe model și apoi a folosit învățare prin întărire pentru cod, sarcini de birou, dezvoltare web, tuning de kernel și proiectare de calculatoare. SpaceXAI spune, de asemenea, că Grok 4.5 a creat noi exemple de antrenament în diferite setări și subiecte de raționament. Compania atribuie câștigul mai multui antrenament și unei selecții mai stricte de date, nu unei noi arhitecturi.

Echipele externe nu pot verifica aceste detalii, iar SpaceXAI nu a împărtășit suficiente informații pentru a repeta antrenarea. Aceasta este relatarea companiei despre ce s-a schimbat, nu un rezultat verificat de altcineva.

Benchmarkuri Grok 4.6: rezultate oficiale și independente

Tabelul de lansare al SpaceXAI arată unde au crescut scorurile, dar scorurile competitorilor sunt „cel mai bun rezultat raportat de ei înșiși sau public”. O singură echipă nu a rulat fiecare model sub aceeași setare. Efortul de raționament este inclus mai jos pentru că afectează scorul.

Grok 4.6 se îmbunătățește față de Grok 4.5 în tot tabelul. Cele mai mari diferențe ale lui Sol apar pe DeepSWE și Terminal-Bench, în timp ce Fable conduce 3 rânduri. Chiar și tabelul SpaceXAI nu indică un singur câștigător.

Rezultate de benchmark independente

Artificial Analysis a rulat propriul Intelligence Index pe șase modele în această comparație. Rezultatele sale sunt apropiate de cifrele SpaceXAI, dar nu identice.

Grok 4.6 versus cinci rivali de top. Imagine de la autor.

Graficul plasează Grok la nivel cu Sol la inteligență, dar mult mai jos la prețul mixt. Artificial Analysis calculează acel preț cu un mix 7:2:1 de input cache-uit, input necache-uit și output. Costul pe sarcină de index finalizată arată aceeași diferență: 0,84 $ pentru Grok, 1,23 $ pentru Sol și 2,34 $ pentru Opus 5.

Timpul până la primul token de răspuns a crescut de la 14,62 secunde pe Grok 4.5 la 40,44 secunde, iar costul pe sarcină a crescut de la 0,36 $ la 0,84 $. Grok 4.6 a folosit cu aproximativ 20% mai mulți tokeni de output în aceleași teste, deci un preț de listă neschimbat nu înseamnă un cost de sarcină neschimbat. Costul pe sarcină finalizată oferă o perspectivă mai bună decât cardurile de preț API, pentru că include o parte din raționamentul suplimentar folosit pentru a termina munca.

Comparat cu GPT-5.6 Sol și Claude Sonnet 5, Grok 4.6 își trimite primul token de răspuns mai devreme. Sol la efort maxim are 213,52 secunde, iar Sonnet 5 are 184,48, comparativ cu 40,44 pentru Grok. Grok pare lent doar lângă modele cu latență mai mică, cum ar fi Gemini 3.7 Flash.

Cât de fiabile sunt aceste comparații de benchmark?

Sunt utile pentru a găsi puncte forte relative, dar nu un clasament cross-model de încredere. Efortul de raționament schimbă scorul și timpul de răspuns: GPT-5.6 Sol a obținut 57 la efort ridicat și 61 la maxim. Numele benchmarkurilor pot face referire și la versiuni diferite, deci Terminal-Bench 3.0 al xAI și Terminal-Bench 2.1 al Artificial Analysis nu sunt comparabile.

Ce s-a schimbat față de Grok 4.5?

Pentru utilizatorii Grok 4.5, decizia nu este dacă 4.6 este „mai bun” în abstract. Este dacă scorul mai mare compensează un profil diferit de latență și folosire a tokenilor. Tabelul pune aceste schimbări pe aceeași bază de comparație.

Totuși, „același preț” descrie doar tariful de listă de bază. O altă schimbare contează pentru utilizatorii Grok 4.5 existenți: inputul din cache a crescut cu 67%, de la 0,30 $ la 0,50 $ pe milion de tokeni. Acea rată mai mare pentru cache adaugă la diferența dintre cardul de preț și costul unei sarcini finalizate.

Grok 4.6 vs concurența

Acum că am clarificat comparația cu propriul predecesor, să vedem cum se compară Grok 4.6 cu alte modele de ultimă generație de la OpenAI și Anthropic.

Grok 4.6 vs GPT-5.6 Sol

Egalitatea în index ascunde o separare clară. Sol îl depășește pe Grok cu 7,1 puncte la DeepSWE și 8,6 puncte la Terminal-Bench, ceea ce face programarea puternic bazată pe terminal cel mai puternic caz al său. Grok obține scoruri mai mari pe celelalte trei rânduri de sarcini.

Testele proprii ale OpenAI extind acel rezultat de terminal la navigare pe web și folosirea calculatorului. Rămân dovezi alese de furnizor, nu o comparație controlată, dar indică aceeași direcție: cel mai puternic caz al lui Sol este munca ce depinde de un terminal, un browser sau apeluri repetate de unelte.

OpenAI a prezentat și un mod Ultrafast pentru Sol despre care spune că rulează de până la 14 ori mai rapid. Nu are încă un preț publicat, deci nu intră în comparația de cost.

Grok 4.6 pornește de la 2 $ input și 6 $ output per milion de tokeni. Tariful standard al lui Sol este 5 $ input și 30 $ output, de cinci ori prețul de output al lui Grok. Peste 272.000 de tokeni, Sol dublează prețul de input și ridică outputul la 45 $.

Asta nu face ca fiecare sarcină Grok să fie de cinci ori mai ieftină. Folosirea tokenilor de raționament, ratele de cache și numărul de ture schimbă în continuare factura finală. Avantajul de preț al lui Grok este cel mai clar când folosirea de tokeni este previzibilă. Pentru munca puternic bazată pe terminal, scorurile mai mari ale lui Sol pot conta mai mult decât diferența de preț de listă.

Grok 4.6 vs. Claude Sonnet 5

Sonnet 5 și Grok 4.6 încep amândouă de la 2 $ pe milion de tokeni de input, ceea ce face prețurile ușor de comparat. Sonnet 5 are implicit o fereastră de context de 1 milion de tokeni, de două ori cei 500.000 ai lui Grok, fără tarif mai mare pentru prompturi lungi. Outputul costă 10 $ pe milion față de 6 $ la Grok.

Cu două zile înainte de lansarea lui Grok 4.6, Anthropic a făcut permanent prețul de 2 $/10 $ și a renunțat la o creștere planificată la 3 $/15 $. Asta contează când compari cu o listă de prețuri mai veche, inclusiv una mai veche a noastră.

Pe indexul Artificial Analysis, Sonnet 5 obține 55 la efort maxim, cu șase puncte sub Grok 4.6. A folosit 300 de milioane de tokeni de output pentru teste față de 72 de milioane la Grok, punând costul pe sarcină la 1,72 $. Tokenizerul său produce aproximativ cu 30% mai mulți tokeni decât Sonnet 4.6 pentru același text. Asta face mai dificilă o comparație de preț între cele două versiuni Sonnet. Sonnet 5 nu este nici modelul de top al Anthropic.

Grok 4.6 vs Claude Opus 5 și Fable 5

Opus 5, la 5 $ input și 25 $ output, este în fruntea indexului cu 63. Fable 5, la 10 $ input și 50 $ output, obține 62. Scorul de index al lui Fable necesită și o notă. Artificial Analysis a înregistrat fallback-uri de siguranță pe unele prompturi mai grele, deci scorul reflectă modelul așa cum îl pot folosi oamenii, nu o versiune nerestricționată pe care Anthropic nu o oferă.

Pe benchmarkul AA-Briefcase al Artificial Analysis pentru sarcini lungi de agent, Grok 4.6 a terminat în aproximativ 53 de ture și a folosit 0,5 miliarde de tokeni de input. Opus 5 a avut aproximativ 103 ture și 2 miliarde de tokeni. Asta nu arată că Grok este modelul mai puternic per ansamblu. Arată că Grok a folosit mai puțini pași și mai puțini tokeni de input pe acest set de teste, în timp ce Claude a condus în celelalte teste acoperite mai sus.

Prețurile Grok 4.6

Pragul de 200.000 de tokeni pentru prompt este partea pe care aș urmări-o: mută fiecare token din cerere în nivelul mai scump. Tabelul include și prioritizarea și taxe pentru unelte.

Taxele pentru unelte sunt separate de taxele pe tokeni. O cerere care caută pe web și apoi rulează cod poate acumula ambele taxe de unelte înainte ca textul final să fie tarifat. Nu există un grok-4.6-fast separat ca nume de model. API-ul direct are o opțiune de prioritate tarifată la 2x atunci când răspunsul confirmă folosirea priorității. Cursor afișează o opțiune separată „Grok 4.6 (Fast)” la același tarif de 2x.

Grok 4.6 Fast selectat în Cursor. Imagine de la autor.

Cum pot accesa Grok 4.6?

Grok 4.6 este disponibil direct prin: 

• API-ul SpaceXAI
• Cursor
• Grok Build
• Gateway-uri terțe (OpenRouter, Vercel, Cloudflare, Google Cloud Vertex AI)
• Alte unelte de programare (GitHub Copilot, VS Code, JetBrains, Xcode și Eclipse)

Lansarea acoperă planurile Pro, Pro+, Max, Business și Enterprise. Administratorii Business și Enterprise trebuie să activeze modelul, deoarece este dezactivat implicit. Grok 4.6 nu este acceptat pe Batch API al SpaceXAI, deci nu există opțiune de batch cu reducere.

Un detaliu pentru enterprise stă în afara disponibilității modelului. Răspunsurile sunt păstrate implicit, iar SpaceXAI spune că istoricul este stocat timp de 30 de zile. În regim de Zero Data Retention, echipele nu pot folosi lanțuri de răspuns stocate sau completări amânate; xAI indică în schimb redarea criptată a raționamentului și WebSocket Responses. Fiecare răspuns include un header ce arată dacă ZDR a fost activ.

Săptămâna lansării Grok 4.6: modele, Copilot și Cursor

Ce mi-a atras atenția în acea săptămână a fost cât de repede s-au grupat lansările de modele și acordurile de distribuție în jurul lui Grok 4.6.

Săptămâna lansării Grok 4.6, dincolo de benchmarkuri. Imagine de la autor.

Grok Bot a dat tonul înainte de lansarea modelului. Agentul cloud în beta timpurie a fost pachetizat cu SuperGrok Heavy la 300 $ pe lună sau Cursor Ultra la 200 $ pe lună, mai degrabă decât vândut separat, legând accesul de planuri premium. Grok 4.6 a dus apoi același accent pe agenți în API, Cursor și Grok Build.

Lansarea Gemini 3.7 Flash de la Google și previzualizarea GPT-5.6 Sol Ultrafast de la OpenAI au aglomerat și mai mult săptămâna. În același timp, lansarea Copilot și alăturarea Cursor la SpaceX au lărgit distribuția lui Grok. Cursor a urmărit procesul până la parteneriatul său cu SpaceXAI mai devreme în acel an și a încadrat mișcarea în jurul accesului la GPU-urile SpaceX mai degrabă decât scorurile modelului. Postarea sa spune că acest acces îl va ajuta să construiască modele la un cost mai mic.

Interpretarea mea pentru acea săptămână este că SpaceXAI vrea Grok în uneltele pe care oamenii le folosesc deja. Grok 4.5 a fost antrenat în comun cu Cursor, iar Grok 4.6 a ajuns în Copilot aproape imediat. Asta face distribuția prin parteneri parte a lansării, nu un gând de după.

Când ar trebui să folosești Grok 4.6?

Grok 4.6 se potrivește muncii unde prețul API și sarcinile lungi de agent contează mai mult decât latența până la primul token. Se potrivește mai puțin când scorurile mai mari ale lui Sol în terminal sau fereastra mai mare de context a lui Sonnet 5 se aliniază mai bine sarcinii.

Grok 4.6 se potrivește când:

• Prețul API este o constrângere principală. Subțiază prețul de listă și costul pe sarcină față de Sol, Opus 5 și Fable 5
• Munca rulează ca sarcini de agent lungi, cu mai mulți pași, unde eficiența sa pe ture (mai puține ture și tokeni de input decât Opus 5 pe AA-Briefcase) dă roade
• Sarcina este muncă de cunoaștere sau raționament juridic, unde conduce tabelul de benchmarkuri
• Latența până la primul token nu contează. Un start lent e zgomot pe o rulare lungă, dar afectează întreaga experiență în chat interactiv

Pot exista alternative mai bune când:

• Munca este programare puternic bazată pe terminal → GPT-5.6 Sol (scoruri DeepSWE și Terminal-Bench mai mari)
• Sarcina are nevoie de o fereastră mare de context → Claude Sonnet 5 (context 1M, fără suprataxă pentru prompturi lungi)
• Vrei cea mai mică latență pentru uz interactiv → Gemini 3.7 Flash
• Cumperi strict după inteligența de top → Opus 5 (63) sau Fable 5 (62) conduc indexul

Gânduri finale despre Grok 4.6

Grok 4.6 aterizează într-un mijloc incomod. Urcă cu cinci puncte în index și rămâne sub Sol și Opus 5 la prețurile de listă, dar pornește mai lent și costă mai mult pe sarcină măsurată decât Grok 4.5. „Același preț, model mai bun” ratează jumătate din lansare.

Partea pe care încă vreau să o văd este o rulare de mai multe ore în care cod-baza, uneltele și instrucțiunile se tot schimbă. Cursor și GitHub Copilot oferă acum acest cadru. Dacă ratele de corecție și eșec rămân mici acolo, afirmația despre antrenarea pe agenți are dovezi dincolo de un test fix; dacă nu, câștigul de cinci puncte rămâne doar atât.

Pentru cititorii care construiesc peste API-ul xAI, tutorialul nostru Grok 4 API acoperă clientul Python și fluxul unei cereri.