模型卡｜Grok 4.6

🌏 English version

模型資訊

能力亮點

• Terminal-Bench v3.0 從前代 15.7% 跳升到 26%（+10.3 個百分點），長時間終端機操作能力大幅提升
• DeepSWE v1.1 從 54% 提升到 65.9%（+11.9pp），長橫向程式碼修復任務表現增強
• GDPVal-AA v2（知識工作評測）達 1753 Elo，超越 Claude Fable 5 Max 的 1741，是目前所有已公開分數中最高
• 在打造完整可用產品雛形（visual/interactive projects）上一次生成即具備完整結構與視覺語言，並開始出現自我測試、自我驗證行為

Benchmark 表現

⚠️ 以上均為 xAI 自測或引用各廠商公開系統卡／排行榜資料，競品分數取各方自報最佳成績，尚待第三方獨立複現。

與前代/競品比較

跟 Grok 4.5 比，Grok 4.6 在 agentic coding 與長任務執行上進步最明顯：Terminal-Bench v3.0 幾乎翻倍（15.7% → 26%），DeepSWE v1.1 提升近 12 個百分點。xAI 表示這來自更長的補充訓練回合、用 Grok 4.5 重新生成跨 reasoning effort 與 agent harness 的 SFT 軌跡，再疊加涵蓋 kernel 優化、web development、CAD 等領域的 agentic RL 訓練。

跟競品比，Grok 4.6 在 AA Intelligence Index 上以 61 分追平 GPT-5.6 Sol Max，僅落後 Claude Fable 5 Max 的 62 分 1 分，統計上已經打平。但拆開看 coding 專項評測，Grok 4.6 仍非最強：DeepSWE v1.1 落後 GPT-5.6 Sol Max 達 7.1pp，Terminal-Bench v3.0 落後 8.6pp。反而在知識工作導向的 GDPVal-AA v2 上以 1753 Elo 拿下全場最高，超越 Fable 5 Max 與 GPT-5.6 Sol Max。

定價維持 $2/$6（低於 200K tokens 時）不變，跟 Grok 4.5 完全相同，等於在性能提升的前提下沒有漲價。相比 Claude Fable 5 的 $10/$50，Grok 4.6 便宜 5 倍，但 context window 只有 500K tokens，是 Fable 5、GPT-5.6 Sol 等對手常見的 1M tokens 的一半。

對 Agent 開發的意義

Grok 4.6 這次的訓練重點放在「能撐住多步驟任務」而非單純堆高單一 benchmark 分數，這對需要長時間自主執行的 agent 架構有直接影響。

• 如果你在做 coding agent 且已經整合 Cursor 或 Grok Build：Grok 4.6 原生支援這兩個工具鏈，且開始出現自我測試/驗證行為，適合拿來跑「一次性產出完整雛形」的長任務，不需要每一步都人工確認
• 如果你在做知識工作型 agent（研究、資料分析、報告生成）：GDPVal-AA v2 全場最高分是個訊號，值得評估取代目前用 GPT-5.6 Sol 或 Fable 5 跑的 pipeline，同時省下不少 token 成本
• 不適合：純硬核 coding 場景（大型 repo 重構、複雜 debug），DeepSWE 與 Terminal-Bench 仍落後 GPT-5.6 Sol Max 兩位數百分比；也不適合需要超長上下文的場景，500K tokens 的 context window 在同代模型中偏小，處理超大型 codebase 或長文件仍可能需要搭配 RAG

今日收穫

Grok 4.6 在 GDPVal-AA v2（知識工作）拿下全場最高分，卻在 DeepSWE、Terminal-Bench 這類硬核 coding benchmark 上落後 GPT-5.6 Sol 與 Fable 5 兩位數個百分點——這說明「知識工作 agent」與「coding agent」的評測正在分化成兩條不同的能力曲線。單看一個綜合指數（如 AA Intelligence Index）已經不夠用，選模型前得先確認自己的 agent 場景偏哪一條曲線。

參考資料

• Introducing Grok 4.6 — xAI News
• Grok 4.6 — xAI Developer Docs
• Pricing — xAI Developer Docs