Grok 4.6 没有打败 GPT-5.6。视频标题说它「便宜 50% 打败 GPT-5.6 和 Claude」,这句话在发布当天大致成立,在 16 天后已经不成立。Artificial Analysis 的独立实测给 Grok 4.6 打 60.92 分,GPT-5.6 Sol 打 60.93 分,差 0.01 分;而两者跑完同一套测试的实际账单差距,从 8 月 22 日的 32% 收窄到 8 月 28 日的 1.7%。真正把成本差抹平的不是 Grok 变贵,而是 OpenAI 在 8 月 21 日把 Sol 的价格砍了三成。这条「定价优势会随对手调价而蒸发」的教训不只出现在价格上，当同行公开约定共同的节奏时，各家产品的相对价值同样会被重新排，那份减速协议与随之而来的反垄断诉讼把整件事的时间线和法律进展记全了。
🎬 视频来源与核查立场
被核查的素材是 The AI Grid 于 8 月中旬发布的视频《Grok 4.6 Just Shocked The AI World - Beats GPT 5.6 And Claude For 50% Cheaper!》(时长 7 分 14 秒)。作者的核心判断是:Grok 4.6 在多项顶级基准上进入第一梯队,成本却低到「便宜 80%」,如果基准属实,这可能是一次革命性的模型。想要横向比价时,先把订阅档位的额度结构搞清楚更省事,两个 $10 档编程订阅的横评拆过独立额度桶与共享池两种算法。
本文逐条核查视频里的可验证主张。所有数字都标注来源与读取日期。核查立场有三条:厂商发布的对比表只代表厂商自选的口径;独立评测机构在同一套测试环境里跑出的分数优先;榜单之间互相矛盾时,把矛盾本身写出来,不替任何一方裁决。
📊 速览:八条主张的四档判定
| 判定 | 主张 | 关键依据 |
|---|---|---|
| 【有证据】 | AA 指数得分 61,独立实测对得上 | 实测 60.92,厂商 61 属实 |
| 【有证据】 | 比上一代便宜同等智能水平 | 每任务 $0.9372 对 $2.337(Claude Opus 5) |
| 【有证据】 | 长任务轮次效率约为对手一半 | 约 53 轮 / 0.5B 输入 token 对约 103 轮 / 2.0B |
| 【有证据】 | Vals 指数排第六 | 71.824,第六名,落后 Muse Spark 1.2 |
| 【部分支持】 | 「便宜 50%」 | 对 Claude 成立,对 Sol 已不成立(差 1.7%) |
| 【部分支持】 | 综合指数「排第二」 | 只在 xAI 自选表里成立,独立实测是第四 |
| 【存疑】 | RuneScape 榜第一、只花 60% 成本 | 现已被 Astra 反超,成本比约三成 |
| 【与主流相悖】 | 在终端任务上领先 | xAI 自己的表里 Grok 是四款中最后一名 |
| 【与主流相悖】 | 「Opus 5 是个很差的模型」 | Opus 5 当时以 63.05 分领跑全榜 |
| 【与主流相悖】 | 「便宜 80%」 | 算的是列表价,不是实测账单 |
🧩 一、指数得分属实,但「第二名」来自一张残缺的表
视频说 Grok 4.6 在 Artificial Analysis 指数上「comes in at number two」。这个说法不是凭空来的,xAI 官方发布页那张对比表里,Grok 4.6 与 GPT-5.6 Sol 都是 61 分,Claude Fable 5 Max 是 62 分——在这个表内部,Grok 确实是并列第二。
问题在于这张表没有列当时 Artificial Analysis 榜首的 Claude Opus 5。独立机构 8 月 28 日的实测读数是:Claude Opus 5(max)63.05,Claude Fable 5(带回退)62.07,GPT-5.6 Sol(max)60.93,Grok 4.6(high)60.92。Grok 4.6 实际排在第四。
有一件事值得肯定:xAI 宣称 61 分,独立机构实测 60.92,这个对得上,不是四舍五入凑出来的。同一张表里引用的对手分数,也与各厂商自己公布的数据吻合。这种情况在模型发布里不常见,多数厂商的首发数字经不起独立复测。 硬件厂商那句「快 20 倍」两年后仍无独立跑分的对账，见AI 实时生成游戏那篇。
还有一个容易被忽略的细节:60.92 与 60.93 这场平局,双方不是在同一配置下测的。Grok 4.6 跑在 high 档,而 high 正是 SpaceXAI 官方文档标注的默认档位;GPT-5.6 Sol 跑在 max 档。所以严格说这是一场「默认值对最高档」的对比,不是同档位对决。谁要写「同等设置下打平」,描述的是没人跑过的那场测试。
💰 二、「便宜 50%」是真的列表价,不是你的账单
这是整篇核查里最要紧的一段。Grok 4.6 的定价从 8 月 12 日起就没动过:prompt 低于 20 万 token 时,输入每百万 2 美元、缓存输入 0.5 美元、输出 6 美元。对比当时的 Claude Opus 5(5 美元 / 25 美元)和 GPT-5.6 Sol(5 美元 / 30 美元),输出维度的价差确实在 60% 到 80% 之间。视频标题的「50%」没有算错。把「让 AI 自己动手」这件事的账算清楚,得先知道每次工具调用扣多少任务额度,这里有一篇 网关按次计费那篇。
但列表价和实测账单是两件事。Artificial Analysis 跑完同一套九项测试的实际花费:Grok 4.6 每任务 0.9372 美元,GPT-5.6 Sol 0.9530 美元,Claude Opus 5 2.337 美元,Claude Fable 5 3.140 美元。对比 8 月 22 日的那次读数,Grok 是 0.837 美元对 Sol 的 1.231 美元,当时还差着 32%;六天之后,差距只剩 1.7%。
抹平这个差距的动作来自 OpenAI。8 月 21 日,OpenAI 把 GPT-5.6 Sol 的价格从每百万 5 美元 / 30 美元降到 4 美元 / 20 美元,输入降 20%,输出降 33%,缓存输入从 0.5 降到 0.4 美元。OpenAI 自己把这一档称为促销价,承诺「至少到 2026 年 11 月 21 日」。促销价到期后的涨幅没人能提前算准,订阅改按 token 计费的六个信号给过一套判断平台是否在悄悄涨价的观察方法。同一套「发布当天的数字会过期」的判断方法,在一门生意的门槛数字上同样成立——靠音乐视频吃平台分成的账复算过一次。
顺带说一句,Grok 4.6 也从来不是榜单上最便宜的那个。同一批读数里,GLM-5.3(max)跑完这套测试只要 0.683 美元。Grok 的卖点不是绝对低价,而是在接近的智能水平上把价格压住。订阅那边是另一套算法:Claude 的 Excel 加件不单独计费,全部走你现有账号的额度池,大表格一跑就是一次长会话——那篇把付费档位和额度池的关系算过一次。换句话说,端侧推理也有同一套算法——电、时间与换模型的重复下载成本都算进去,哪一边更划算取决于你怎么用,手机离线那条路的实测与型号门槛见手机端跑开源模型那篇。
还有一个容易被翻页跳过的条款:prompt 一旦达到 20 万 token,整次请求的所有 token 一律按 4 美元 / 1 美元 / 12 美元计费,不是只对超出部分加价。20 万零 1 个 token 的请求,和你手上那份 19.9 万 token 的请求,账单不是一个量级。Grok 4.6 的上下文窗口是 50 万 token,这条恰好卡在中间偏前的位置。同一个模型每轮都要重发累积对话时,缓存命中率直接决定账单,额度按 token 还是按条数那篇拆过十种把同一套餐榨出双倍用量的做法。
🤔 三、推理档位调高,分数反而更低
Grok 4.6 新增了一个 xhigh 推理档位,直觉上应该更强。Artificial Analysis 把四档都测了,结果反着来:xhigh 在指数上得 60.01,低于 high 的 60.92,每任务成本却高出约 31%,合 1.2304 美元。
四档的完整读数值得摊开看。low 档 51.68 分、每任务 0.2545 美元;medium 档 59.01 分、0.7829 美元;high 档 60.92 分、0.9372 美元;xhigh 档 60.01 分、1.2304 美元。从 high 到 xhigh,花了 31% 更多的钱,综合分掉了 0.9 分。
这不必然是模型的缺陷,综合指数本身就是九项评测的加权合成,任何一格的波动都可能把总分压下来。但对要付账的人来说,结论很直接:默认的 high 档不是保守选择,它就是性价比拐点。
⚠️ 四、终端任务:xAI 自己的表里 Grok 排最后
⚠️ 高危误读:不要把两个版本的 Terminal-Bench 分数并列。
xAI 公布的是 Terminal-Bench v3.0:Grok 4.6 得 26%,GPT-5.6 Sol 34.6%,Claude Fable 5 34.1%。同一张表里,Grok 是四款中垫底的一款。Artificial Analysis 用 v2.1 测出的却是 88.4%,与领先模型持平。两个数字是同一个模型在不同版本的题目上做的,任何把 26% 和 88% 并排写的比较都是错的。
26% 与 88% 之间的落差来自 v3.0 的难度提升。更麻烦的是,Artificial Analysis 与 Vals AI 在同一版本 v2.1 上给出的分数差了约 10 个点——同一个版本的榜,两家机构测出的结果不一样。这提醒一件事:基准分数量的是「模型加测试脚手架」的合集,不是纯模型能力。
第三方 SWE-bench(Vals,纯 bash 脚手架)上,Grok 4.6 得 95.60%,比上一代涨约 9 个点,这是本次发布里验证得最扎实的一个成绩。同榜上 Claude Opus 5 是 97.00%,DeepSeek V4 Pro 0813 是 96.40%,GPT-5.6 Sol 是 96.20%。Grok 排第四,但差距不到 1.5 个点。
还有一处走下坡路:xAI 自己公布的 LiveBench 智能体编程分,从上一代的 56.5 降到 54.2。
📉 五、人类偏好榜上,它输给了自己要替换的上一代
Artificial Analysis 测的是能力上限,LMArena 测的是盲测下真人更喜欢哪个模型的回答。这是完全不同的两把尺子。8 月 22 日读到的文本榜数据里,grok-4.6-high 排第 46 名,Elo 1461.16;上一代 Grok 4.5 排第 35 名,Elo 1470.29。新的排在旧的后面。
这个结果要加上保留条件再读。该条目带 pre_release 标记,票数 3473 张,名次区间横跨第 25 到第 69 名。Elo 置信区间 1451.07–1471.26 与 Grok 4.5 的 1465.13–1475.45 存在重叠。换句话说:榜上目前把 Grok 4.6 排在 Grok 4.5 之下,但这个票数规模还不足以干净地分开两者。视频完全没提这一项。
截至 8 月 22 日,Grok 4.6 的条目标记为暂时性。相较于独立评测机构的一致性,这条更值得留意:能力分与真人偏好分出现反向,通常意味着新模型更「完整」也更啰嗦,但不一定更好用。第三方评测里也提到,Grok 4.6 的自信编造率高于其分数给人的印象。
🔄 六、Grok 4.7 已经发布,价格没动,差距还在
视频结尾提到马斯克预告 Grok 4.7「很快就好」。这部分需要更新:该模型已于 9 月 21 日发布,进入 xAI API、Cursor、Grok Build,后续也上架了 Amazon Bedrock。第三方模型目录 models.dev 与 xAI 官方发布说明都收录了 grok-4.7 这个模型 ID。
价格完全没变:输入每百万 2 美元、输出 6 美元,50 万 token 上下文,20 万 token 以上整单按 4/1/12 计费,与 4.6 一致。上下文窗口没有升级。知识截止日期从 2026 年 2 月 1 日推到 5 月。
分数有提升,但没追上。Artificial Analysis 在 xhigh 档给 Grok 4.7 打 46 分,比 4.6 的 44.41 高约 2 分,离榜首的 53 分(Claude Fable 5.1)还差 7 分。在 Grok Build 的编码智能体指数上,Grok 4.7 得 56 分,比 Grok 4.6 的 47 分进步明显。
这里要提醒一句口径陷阱:4.7 的 46 分是在指数 v4.3 上读出的,而 4.6 的 61 分读自 v4.1.1。Artificial Analysis 在 9 月 7 日升级到 v4.3,Terminal-Bench 从 2.1 升到 4.0,τ³-Banking 换成 AutomationBench-AA,私有题权重从 40% 提到 45%。同一张表里,Grok 4.6 换到 v4.3 后的读数是 44.41,排在第 8 名,身后是 GLM-5.3(44.45)与 Kimi K3(43.78)。跨版本的分数不能直接比大小,这是榜单类内容最常见的偷懒。 常驻智能体这条产品线的三家形态对比，见三家同构那篇。
✅ 可以照着用的三条
- 用 high 档,别碰 xhigh。high 60.92 分 / 0.9372 美元,xhigh 60.01 分 / 1.2304 美元。
- 把 20 万 token 当硬闸门用。超过之后整单翻倍,不是边际加价。喂大仓库前先算一下 prompt 实际长度。
- 缓存命中价要重算一遍。上一代缓存输入 0.3 美元,这一代涨到 0.5 美元,涨了 67%。智能体循环每一轮都要重发累积对话,这一项正是被反复计费的地方。
❌ 不要自行照做的三条
- 不要按「便宜一半」做预算。实测每任务成本对 GPT-5.6 Sol 的优势只剩 1.7%,而 Sol 的现价是促销价,只承诺到 11 月 21 日。
- 不要在跨版本的基准分数之间比较。v2.1 的 88% 与 v3.0 的 26% 不是一回事,v4.1.1 的 61 与 v4.3 的 44.41 也不是一回事。
- 不要把厂商自选表当独立结论。xAI 那张表把当时榜首的 Opus 5 排除在外,Grok 因此从第四变成并列第二。
📌 资料来源
- Artificial Analysis,Grok 4.6 基准与分析(发布日 2026-08-12 读数)
- Artificial Analysis,Intelligence Index v4.3 公告(2026-09-07)
- Artificial Analysis 榜单读数,Grok 4.6 四档推理配置(2026-08-22 与 2026-08-28 两次)
- ThePlanetTools,Grok 4.6 与 GPT-5.6 Sol 逐项对照(更新于 2026-08-28,含 LMArena 原始条目与置信区间)
- OpenAI API 变更日志与 GPT-5.6 Sol 模型页(2026-08-21 降价条目)
- SpaceXAI 官方文档 grok-4.6 模型页与 API 定价页(定价与 20 万 token 门槛)
- xAI 发布说明 Introducing Grok 4.7(2026-09-21)与 Amazon Bedrock 上线公告
- Vals AI SWE-bench 榜单;RuneBench 公开榜单
- 被核查视频:The AI Grid,《Grok 4.6 Just Shocked The AI World》(2026-08)
本文为公开信息核查整理,不构成投资或采购建议。模型定价、可用性与基准成绩随时变动,下单前请以各家官方文档当天的读数为准。