Grok 4.6: Tính năng, điểm chuẩn, giá và so sánh

Grok 4.6 là gì?

Grok 4.6 là mô hình lập luận độc quyền của SpaceXAI. API và Cursor không hiển thị cùng một giới hạn ngữ cảnh, và mức giá cao hơn cho ngữ cảnh dài bắt đầu sớm hơn nhiều so với giới hạn API. Bảng dưới đặt các ràng buộc đó cạnh loại đầu vào, công cụ và mốc chặn kiến thức.

SpaceXAI vẫn chưa công bố số lượng tham số cho bất kỳ mô hình nào. Con số 1,5 nghìn tỷ trong một số báo cáo không đến từ SpaceXAI, nên không phải thông số đã được xác nhận.

Có gì mới trong Grok 4.6?

SpaceXAI cho biết đây không phải là mô hình mới được huấn luyện từ đầu. Thay vào đó, họ huấn luyện Grok 4.5 thêm, chú trọng hơn vào các tác vụ agent AI. Những thay đổi được báo cáo rơi vào các nhóm: tác vụ agent dài hơn, xây dựng trực quan và hậu huấn luyện.

Tác vụ agent dài hơn

SpaceXAI nói Grok 4.6 giữ vững tiến trình trong các tác vụ dài với nhiều bước, như nghiên cứu, làm việc trên toàn bộ codebase và xây dựng ứng dụng. Mô hình được cho là kiểm tra kết quả thường xuyên hơn thay vì làm mọi thứ trong một lần.

Điều đó phù hợp với thay đổi rộng hơn trong kiểm thử mô hình. Một câu trả lời đầu tiên tốt quan trọng ít hơn nếu mô hình quên các quyết định trước đó sau vài lần gọi công cụ. Kiểm thử nội bộ của GitHub cũng thấy Grok 4.6 duy trì lập luận và sử dụng công cụ tốt hơn trong các tác vụ dài.

API có các tính năng gắn với tuyên bố đó. Grok 4.6 có thể stream tóm tắt lập luận, điều mà Grok 4.5 không cung cấp, và xAI khuyến nghị nén ngữ cảnh với một prompt_cache_key cố định cho các vòng lặp agent dài. Nén sẽ rút gọn lịch sử trước đó thành một mục, nhưng vẫn sử dụng token, và yêu cầu phải vừa cửa sổ ngữ cảnh trước khi nén chạy.

Phát triển web trực quan và tương tác

SpaceXAI và Cursor đều báo cáo khả năng thử lần đầu tốt hơn cho các dự án trực quan. Trong một kiểm thử bên ngoài, Grok 4.6 tái tạo trang sản phẩm iPod Mini cũ thành một trang 3D với vòng chọn màu hoạt động và hiệu ứng cuộn. Bản demo hoạt động, nhưng một bài kiểm thử không chứng minh được tuyên bố rộng hơn.

Grok 4.6 được hậu huấn luyện như thế nào

Nếu bạn chỉ quan tâm đến điểm chuẩn và giá, hãy bỏ qua tiểu mục này. Nó giải thích cách SpaceXAI lý giải nguồn gốc mức tăng.

SpaceXAI chạy huấn luyện nhiều hơn so với Grok 4.5. Họ dùng các ví dụ lập luận do AI tạo và ví dụ kỹ thuật, loại bỏ ví dụ kém bằng kiểm tra dựa trên mô hình, rồi dùng học tăng cường cho lập trình, công việc văn phòng, phát triển web, tinh chỉnh kernel và thiết kế máy tính. SpaceXAI cũng nói Grok 4.5 tạo ví dụ huấn luyện mới qua các thiết lập lập luận và chủ đề khác nhau. Công ty quy mức tăng cho nhiều dữ liệu huấn luyện hơn và chọn lọc dữ liệu nghiêm ngặt hơn, không phải kiến trúc mới.

Các nhóm bên ngoài không thể kiểm chứng chi tiết đó, và SpaceXAI chưa chia sẻ đủ thông tin để lặp lại việc huấn luyện. Đây là lời tường thuật của công ty về điều đã thay đổi, không phải kết quả do bên khác xác nhận.

Điểm chuẩn Grok 4.6: Chính thức và độc lập

Bảng ra mắt của SpaceXAI cho thấy nơi điểm số tăng, nhưng điểm đối thủ là "tốt nhất trong số tự báo cáo hoặc công bố công khai". Một nhóm không chạy mọi mô hình dưới cùng một thiết lập. Mức nỗ lực lập luận được đưa vào dưới đây vì nó ảnh hưởng đến điểm số.

Grok 4.6 cải thiện so với Grok 4.5 trên toàn bảng. Khoảng cách lớn nhất của Sol xuất hiện ở DeepSWE và Terminal-Bench, trong khi Fable dẫn đầu 3 hàng. Ngay cả bảng của SpaceXAI cũng không chỉ ra một người thắng duy nhất.

Kết quả điểm chuẩn độc lập

Artificial Analysis chạy Intelligence Index của riêng họ trên sáu mô hình trong so sánh này. Kết quả của họ gần với số của SpaceXAI, nhưng không trùng khớp.

Grok 4.6 so với năm đối thủ hàng đầu. Ảnh: Tác giả.

Biểu đồ đặt Grok ngang Sol về trí tuệ, nhưng thấp hơn nhiều về giá pha trộn. Artificial Analysis tính giá đó với tỷ lệ 7:2:1 giữa đầu vào đã cache, đầu vào chưa cache và đầu ra. Chi phí trên mỗi tác vụ chỉ số hoàn thành cho thấy khoảng cách tương tự: $0,84 cho Grok, $1,23 cho Sol và $2,34 cho Opus 5.

Thời gian đến token trả lời đầu tiên tăng từ 14,62 giây trên Grok 4.5 lên 40,44 giây, trong khi chi phí trên mỗi tác vụ tăng từ $0,36 lên $0,84. Grok 4.6 dùng nhiều hơn khoảng 20% token đầu ra trong cùng các bài kiểm tra, nên giá niêm yết không đổi không đồng nghĩa chi phí tác vụ không đổi. Chi phí trên mỗi tác vụ hoàn thành cho cái nhìn tốt hơn so với thẻ giá API vì nó bao gồm một phần lập luận bổ sung dùng để hoàn thành công việc.

So với GPT-5.6 Sol và Claude Sonnet 5, Grok 4.6 gửi token trả lời đầu tiên sớm hơn. Sol ở mức nỗ lực tối đa mất 213,52 giây, và Sonnet 5 mất 184,48, so với 40,44 của Grok. Grok chỉ trông chậm khi so với các mô hình độ trễ thấp như Gemini 3.7 Flash.

Những so sánh điểm chuẩn này đáng tin cậy đến mức nào?

Hữu ích để tìm ra điểm mạnh tương đối, nhưng không đáng tin làm bảng xếp hạng chéo mô hình. Mức nỗ lực lập luận làm thay đổi điểm và thời gian phản hồi: GPT-5.6 Sol đạt 57 ở mức cao và 61 ở mức tối đa. Tên điểm chuẩn cũng có thể chỉ các phiên bản khác nhau, nên Terminal-Bench 3.0 của xAI và Terminal-Bench 2.1 của Artificial Analysis không thể so sánh trực tiếp.

Đã thay đổi gì so với Grok 4.5?

Với người dùng Grok 4.5, quyết định không phải là 4.6 có "tốt hơn" một cách trừu tượng hay không. Mà là liệu điểm số cao hơn có bù cho độ trễ và hồ sơ sử dụng token khác biệt hay không. Bảng dưới đặt các thay đổi đó trên cùng một cơ sở.

Tuy nhiên, "giá như nhau" chỉ mô tả mức niêm yết cơ bản. Một thay đổi nữa quan trọng với người dùng Grok 4.5 hiện tại: đầu vào đã cache tăng 67%, từ $0,30 lên $0,50 mỗi triệu token. Mức giá cache cao hơn làm tăng khoảng cách giữa thẻ giá và chi phí một tác vụ hoàn thành.

Grok 4.6 so với đối thủ

Giờ khi đã so với người tiền nhiệm, hãy xem Grok 4.6 so với các mô hình tối tân khác từ OpenAI và Anthropic như thế nào.

Grok 4.6 so với GPT-5.6 Sol

Sự hòa điểm trên chỉ số che đi một khác biệt rõ ràng. Sol dẫn Grok 7,1 điểm trên DeepSWE và 8,6 điểm trên Terminal-Bench, khiến lập trình nặng về terminal là trường hợp mạnh nhất của nó. Grok ghi điểm cao hơn ở ba hàng tác vụ còn lại.

Các kiểm thử của chính OpenAI mở rộng kết quả terminal đó sang duyệt web và sử dụng máy tính. Chúng vẫn là bằng chứng do nhà cung cấp chọn chứ không phải so sánh có kiểm soát, nhưng chỉ cùng hướng: trường hợp mạnh nhất của Sol là công việc phụ thuộc vào terminal, trình duyệt hoặc gọi công cụ lặp lại.

OpenAI cũng giới thiệu trước chế độ Ultrafast cho Sol mà họ nói chạy nhanh hơn tới 14 lần. Chưa có giá công bố, nên không đưa vào so sánh chi phí.

Grok 4.6 bắt đầu ở $2 đầu vào và $6 đầu ra mỗi triệu token. Mức chuẩn của Sol là $5 đầu vào và $30 đầu ra, gấp năm lần giá đầu ra của Grok. Trên 272.000 token, Sol nhân đôi giá đầu vào và tăng đầu ra lên $45.

Điều đó không khiến mọi tác vụ Grok rẻ hơn gấp năm. Việc dùng token lập luận, tỉ lệ trúng cache và số lượt trao đổi vẫn thay đổi hóa đơn cuối. Lợi thế giá của Grok rõ rệt nhất khi mức dùng token có thể dự đoán. Với công việc nặng về terminal, điểm chuẩn cao hơn của Sol có thể quan trọng hơn khoảng cách giá niêm yết.

Grok 4.6 so với Claude Sonnet 5

Sonnet 5 và Grok 4.6 đều bắt đầu ở $2 mỗi triệu token đầu vào, giúp so sánh giá dễ dàng. Sonnet 5 có cửa sổ ngữ cảnh 1 triệu token theo mặc định, gấp đôi 500.000 của Grok, không có mức giá cao hơn cho prompt dài. Đầu ra có giá $10 mỗi triệu so với $6 của Grok.

Hai ngày trước khi Grok 4.6 ra mắt, Anthropic đã áp dụng vĩnh viễn mức $2/$10 và hủy kế hoạch tăng lên $3/$15. Điều này quan trọng khi so với bảng giá cũ hơn, bao gồm cả bảng cũ của chúng tôi.

Trên chỉ số của Artificial Analysis, Sonnet 5 đạt 55 ở mức nỗ lực tối đa, thấp hơn Grok 4.6 sáu điểm. Nó dùng 300 triệu token đầu ra cho các bài kiểm tra so với 72 triệu của Grok, đặt chi phí mỗi tác vụ ở mức $1,72. Bộ tách token của nó tạo ra nhiều hơn khoảng 30% token so với Sonnet 4.6 cho cùng văn bản. Điều đó làm so sánh giá giữa hai phiên bản Sonnet đó khó hơn. Sonnet 5 cũng không phải mô hình đầu bảng của Anthropic.

Grok 4.6 so với Claude Opus 5 và Fable 5

Opus 5, ở mức $5 đầu vào và $25 đầu ra, đứng đầu chỉ số với 63. Fable 5, ở mức $10 đầu vào và $50 đầu ra, đạt 62. Điểm chỉ số của Fable cũng cần lưu ý. Artificial Analysis ghi nhận fallback an toàn trên một số prompt khó hơn, nên điểm phản ánh mô hình như người dùng có thể sử dụng, không phải phiên bản không giới hạn mà Anthropic không cung cấp.

Trên điểm chuẩn AA-Briefcase của Artificial Analysis cho các tác vụ agent dài, Grok 4.6 hoàn thành trong khoảng 53 lượt và dùng 0,5 tỷ token đầu vào. Opus 5 mất khoảng 103 lượt và 2 tỷ token. Điều này không cho thấy Grok là mô hình mạnh hơn tổng thể. Nó cho thấy Grok dùng ít bước và ít token đầu vào hơn trên bộ thử này, trong khi Claude dẫn đầu ở các thử nghiệm khác đã đề cập.

Giá Grok 4.6

Ngưỡng prompt 200.000 token là phần tôi sẽ chú ý: nó chuyển mọi token trong yêu cầu sang bậc giá cao hơn. Bảng cũng bao gồm phí ưu tiên và phí công cụ.

Phí công cụ tách biệt với phí token. Một yêu cầu vừa tìm kiếm web vừa chạy mã có thể chịu cả hai phí công cụ trước khi văn bản cuối cùng được tính phí token. Không có tên mô hình riêng grok-4.6-fast . API trực tiếp có tùy chọn ưu tiên được tính phí gấp 2 khi phản hồi xác nhận sử dụng ưu tiên. Cursor hiển thị lựa chọn riêng "Grok 4.6 (Fast)" với cùng mức gấp 2.

Đã chọn Grok 4.6 Fast trong Cursor. Ảnh: Tác giả.

Tôi có thể truy cập Grok 4.6 như thế nào?

Grok 4.6 có sẵn từ phía nhà cung cấp qua: 

• API của SpaceXAI
• Cursor
• Grok Build
• Cổng bên thứ ba (OpenRouter, Vercel, Cloudflare, Google Cloud Vertex AI)
• Các công cụ lập trình khác (GitHub Copilot, VS Code, JetBrains, Xcode và Eclipse)

Đợt triển khai bao phủ các gói Pro, Pro+, Max, Business và Enterprise. Quản trị viên Business và Enterprise phải bật mô hình vì mặc định là tắt. Grok 4.6 không được hỗ trợ trên Batch API của SpaceXAI, nên không có tùy chọn batch giảm giá.

Một chi tiết doanh nghiệp nằm ngoài phạm vi khả dụng của mô hình. Phản hồi có trạng thái theo mặc định, và SpaceXAI cho biết lịch sử được lưu 30 ngày. Theo Zero Data Retention, các nhóm không thể dùng chuỗi phản hồi đã lưu hoặc hoàn tất hoãn; xAI gợi ý dùng phát lại lập luận được mã hóa và WebSocket Responses. Mỗi phản hồi có header cho biết ZDR có đang hoạt động hay không.

Tuần ra mắt của Grok 4.6: Mô hình, Copilot và Cursor

Điểm nổi bật với tôi tuần đó là tốc độ các lần ra mắt mô hình và thỏa thuận phân phối tập trung quanh Grok 4.6.

Tuần ra mắt Grok 4.6, ngoài điểm chuẩn. Ảnh: Tác giả.

Grok Bot định hình bối cảnh trước khi mô hình ra mắt. Agent đám mây beta sớm được gói kèm với SuperGrok Heavy ở $300/tháng hoặc Cursor Ultra ở $200/tháng thay vì bán riêng, gắn quyền truy cập với các gói cao cấp. Grok 4.6 sau đó mang cùng trọng tâm agent vào API, Cursor và Grok Build.

Việc ra mắt Gemini 3.7 Flash của Google và bản xem trước GPT-5.6 Sol Ultrafast của OpenAI làm tuần đó thêm dày đặc. Đồng thời, đợt triển khai Copilot và Cursor gia nhập SpaceX đã mở rộng kênh phân phối của Grok. Cursor truy vết quá trình này về hợp tác với SpaceXAI đầu năm đó và đóng khung động thái quanh việc tiếp cận GPU của SpaceX hơn là điểm số mô hình. Bài đăng của họ nói rằng quyền truy cập đó sẽ giúp họ xây dựng mô hình với chi phí thấp hơn.

Cách tôi đọc tuần đó là SpaceXAI muốn Grok nằm trong các công cụ mọi người đã dùng. Grok 4.5 đã được huấn luyện chung với Cursor, và Grok 4.6 bước vào Copilot gần như ngay lập tức. Điều đó biến phân phối qua đối tác thành một phần của lần phát hành, không phải ý nghĩ sau cùng.

Khi nào bạn nên dùng Grok 4.6?

Grok 4.6 phù hợp với công việc mà giá API và các tác vụ agent dài quan trọng hơn độ trễ token đầu tiên. Nó kém phù hợp hơn khi điểm terminal cao hơn của Sol hoặc cửa sổ ngữ cảnh lớn hơn của Sonnet 5 phù hợp hơn với tác vụ.

Grok 4.6 phù hợp khi:

• Giá API là ràng buộc chính. Nó rẻ hơn Sol, Opus 5 và Fable 5 về giá niêm yết và chi phí trên mỗi tác vụ
• Công việc chạy thành tác vụ agent dài, nhiều bước, nơi hiệu quả lượt (ít lượt và ít token đầu vào hơn Opus 5 trên AA-Briefcase) phát huy tác dụng
• Tác vụ là công việc tri thức hoặc lập luận pháp lý, nơi nó dẫn đầu bảng điểm chuẩn
• Độ trễ token đầu tiên không quan trọng. Khởi đầu chậm chỉ là nhiễu trong một phiên chạy dài, nhưng ảnh hưởng toàn bộ trải nghiệm trong chat tương tác

Có thể có lựa chọn tốt hơn khi:

• Công việc là lập trình nặng về terminal → GPT-5.6 Sol (điểm DeepSWE và Terminal-Bench cao hơn)
• Tác vụ cần cửa sổ ngữ cảnh lớn → Claude Sonnet 5 (ngữ cảnh 1M, không phụ thu prompt dài)
• Bạn muốn độ trễ thấp nhất cho tương tác → Gemini 3.7 Flash
• Bạn mua thuần túy theo trí tuệ mức đỉnh → Opus 5 (63) hoặc Fable 5 (62) đứng đầu chỉ số

Kết luận về Grok 4.6

Grok 4.6 rơi vào khoảng giữa khó xử. Nó tăng 5 điểm chỉ số và vẫn dưới Sol và Opus 5 về giá niêm yết, nhưng khởi động chậm hơn và tốn nhiều hơn trên mỗi tác vụ đo lường so với Grok 4.5. "Giá như cũ, mô hình tốt hơn" bỏ lỡ một nửa bức tranh.

Phần tôi vẫn muốn thấy là một phiên chạy nhiều giờ nơi codebase, công cụ và hướng dẫn liên tục thay đổi. Cursor và GitHub Copilot giờ cung cấp bối cảnh đó. Nếu tỉ lệ sửa lỗi và thất bại thấp ở đó, tuyên bố huấn luyện agent có bằng chứng vượt ra ngoài bộ thử cố định; nếu không, mức tăng 5 điểm vẫn chỉ là vậy.

Với độc giả xây dựng trên API xAI, hướng dẫn API Grok 4 của chúng tôi bao gồm client Python và luồng yêu cầu.