Grok 4.6 是什么：主打长时间代理任务的模型
Grok 4.6 是 SpaceXAI 推出的模型。先交代公司背景，因为这一两年变化很大：Grok 原本是 Elon Musk 的 AI 公司 xAI 做的；2026 年 2 月 SpaceX 把 xAI 整个并进来，6 月 12 日 SpaceX 以代号 SPCX 挂牌上市（详见 SpaceX 公司深度分析），7 月 6 日 xAI 正式改名 SpaceXAI。
官方给它的一句话定位是：在前一代的基础上，特别加强「长时间运行的代理」与「更有企图心的互动与视觉成品」。这两个词先翻成白话：
- 代理（agent）：让 AI 自己连续多步骤用工具把事情做完。例如读你的代码、改好几个文件、跑测试、失败了自己再修，全程不用你一步一步下指令。
- 互动与视觉成品：不只给你一段文字，而是直接做出一个能点、能看、排版完整的东西：一个小网站、一份仪表板、一份有版面的文档。
换句话说，它的目标从「答得准不准」往「能不能自己把事情做完」移动。这个定位决定了它的长处与短处，下面全部围绕这一点展开。
官方发布视频把诉求整理得比文字清楚，46 秒可以看完：
视频：SpaceXAI 官方发布视频（来源：x.ai/news/grok-4-6，为方便阅读已压缩）
规格用一张表讲完。
| 规格 | 内容 |
|---|---|
| 一次能读进的内容量 | 500,000 token（与前代相同） |
| 看得懂什么 | 文字＋图片（输出只有文字，且没有输出长度上限） |
| 思考力道可调 | 低、中、高（默认）、极高 四段 |
| 模型代号 | grok-4.6 |
| 发表日 | 2026 年 8 月 12 日 |
（资料来源：SpaceXAI 开发者文档与官方 Release Notes。token 是模型切分文字与计价的单位，同一段中文会用掉多少 token 依内容而异。）
Grok 4.6 强在哪：从「回答问题」走向「做完一件事」
官方对这一代的整个叙事重心，是让模型撑得久。
这不只是营销词，官方公布的数字确实往这个方向偏。把前代到这代的进步幅度摊开来看，进步最多的三项全是「要连续跑很多步」的任务型测验：
这张图的实用读法是：你如果只拿它问问题、写短文，体感不会有太大差别；差别要在「交代一件事让它自己做完」的用法上才吃得到。
官方训练说明也对得上。这代做了比前代更长的补充训练，并且用 4.5 这个旧模型去重新生成训练用的示范数据，再用模型自动筛掉有问题的记录。强化学习阶段则喂了大量代理任务环境，包括核心运算优化、网页开发、计算机辅助设计等等。简单说：用上一代当老师，专门教这一代怎么把长任务做完。
官方另外提到一个有意思的观察：在比较长的任务里，开始看到模型会自己先验证再往下做，做完一步先检查对不对，才继续。这是代理任务最花钱也最容易翻车的环节，能自己收敛的话省的不只是时间。
实务上诉求分成三块。
第一块：更懂你的工具与团队怎么运作。
第二块：处理具体、琐碎、有专业脉络的工程任务。 官方视频直接列出一串技能名称当例子，都是实务上很吃经验的细活：
第三块：做出来的东西比较像成品。 官方说法是，给一个具体的产品想法，它能在一次就把应用的结构和视觉语言立起来，不用来回调很多轮。视频里示范的成品长这样：
这一块要提醒一下：这是官方精选的展示画面，不是随机抽样。它证明「模型做得到」，不代表「你每次都会拿到这个水准」。
Grok 4.6 的成绩单：官方自己的表最诚实
先看独立的那一份。评测机构 Artificial Analysis 的综合智力指数（九项测验合成的分数），Grok 4.6 拿到 61 分，在榜上 183 个模型里排第 6。
这个数字有两件事值得说。第一，它印证了官方的说法：公告写「在这个指数上追平 GPT-5.6 Sol」，独立那边确实也是 61 对 61。第二，把四个模型放在同一张图上，你会发现真正的故事是大家挤在一起：
第一名跟第三名差 1 分。以一般用户的体感来说，这种差距几乎感觉不出来，真正影响你的是价格、速度，以及有没有在你用的界面里。
接着看官方自己的那一份，这张表其实比公告文字诚实得多。SpaceXAI 在公告里放了一张十项对照表，并且照惯例把每项最高分标粗体。把粗体算一算：
在厂商自己挑选的测验组合里，它只拿下十分之三。这句话值得记住：厂商公告通常会挑对自己有利的测验，而这张表即使如此，领先的仍是对手。
完整数字放在这里给想细看的人：
| 测验项目 | Grok 4.6 | Grok 4.5 | GPT-5.6 Sol | Claude Fable 5 |
|---|---|---|---|---|
| 综合智力（AA Index） | 61 | 56 | 61 | 62 |
| 真实职场产出（GDPVal-AA v2） | 1753 | 1526 | 1728 | 1741 |
| 编辑器实战（CursorBench v3.2） | 69.9% | 66.7% | 67.2% | 70.5% |
| 修 bug 长任务（DeepSWE v1.1） | 65.9% | 54% | 73% | 70% |
| 前沿代码题（FrontierCode v1.1） | 61.3% | 56.6% | 60.6% | 63.6% |
| 代理任务（APEX-Agents） | 57.5% | 47.1% | 56.7% | 59.2% |
| 终端长任务（Terminal-Bench v3.0） | 26% | 15.7% | 34.6% | 34.1% |
| 软件工程（APEX-SWE） | 56.4% | 53.6% | 未列 | 58.8% |
| 知识工作（AA-Briefcase） | 1577 | 1313 | 1502 | 1574 |
| 法律长文（Harvey LAB） | 15.8% | 12.9% | 2.5% | 11.3% |
（粗体＝该项最高分。资料来源：SpaceXAI 官方公告。官方注记：对手分数取自各家自述或公开可得结果中的最佳值。GDPVal-AA 与 AA-Briefcase 为 Elo 分数，数字越大越好，与百分比不同标尺。）
看得出两个模式。Grok 4.6 赢的三项（真实职场产出、知识工作、法律长文）都偏向文书与知识工作；输得最难看的终端长任务，恰恰是最纯粹的「自己在电脑前面连续操作很久」。这跟官方主打长时间代理的叙事有点张力：长任务进步幅度最大是真的，但进步幅度大跟追上对手是两回事，它是从 15.7% 追到 26%，对手在 34% 上下。
Grok 4.6 弱在哪：两个要自己补的空格
除了成绩表上的落差，有两件事属于查不到数据，而不是查到坏消息。这个区别很重要，我不会替它乐观，也不会替它悲观。
第一，连续第二代没有安全报告。 官方公告里有一段「安全与能力」，三句话：防护已随能力调校、安全机制设计成在合法用途上尽量不挡、做了史上最广的部署前测试。三句都没有任何数字，也没有附上 model card（模型安全评估文档）。前代 Grok 4.5 就没有发，这是连续第二代。对照 Anthropic 与 OpenAI 发布当天就附完整安全报告的做法，这个缺口是实打实的。
第二，幻觉率还没有独立数字。 幻觉（hallucination）是行话，白话就是一本正经讲错话。这在前代是个大问题：Grok 4.5 在独立评测的幻觉率是 54%，比再前一代翻了一倍多。4.6 的同项成绩在本文查核当下查不到，Artificial Analysis 的该栏位仍标示无数据。
同样没有的还有中文专项成绩、实测输出速度、延迟数字；独立评测目前只有智力指数和价格是齐的。这代表任何「Grok 4.6 幻觉改善了」或「中文变好了」的说法，在有独立数字之前都没有证据支撑。想确认最新状况，回到 Artificial Analysis 的页面看有没有补上是最快的做法。
还有一个小观察：Cursor 的博客文章是与 SpaceXAI 共同发布的同一份稿子，内文几乎逐字相同。前代发布时 Cursor 还另外公布了自家的测验表（并且在脚注诚实承认训练数据混进自家代码旧快照），这次没有这一份。少了一个交叉核对的来源。
Grok 4.6 的价格：牌价便宜，但有一格容易忽略
以旗舰等级的模型来说，它的牌价站在便宜的那一端，而且跟前代完全一样。
| 项目 | Grok 4.5 | Grok 4.6 |
|---|---|---|
| 输入 | $2 | $2 |
| 输出 | $6 | $6 |
| 缓存输入 | $0.30 | $0.50 |
| 超过 20 万 token 后（输入／缓存／输出） | $4／$0.60／$12 | $4／$1／$12 |
（单位：美元／每百万 token。资料来源：Grok 4.6 文档与 Grok 4.5 文档。）
跨代唯一调涨的是「缓存输入」这一格，从 0.3 涨到 0.5 美元，幅度约三分之二。缓存输入指的是重复读同样内容时的优惠价，例如你的代码库、系统提示这种每次都要重读一遍的东西。对一般用户这格无感，但对真的在跑代理任务的人来说，这正是用量最大的一格：让 AI 连续跑二十步，前面十九步的脉络每一步都要重读一次。
换句话说，涨价涨在这代主打的用法上。这是个值得先算清楚的细节，不影响它整体便宜的定位。
另外两个要注意的地方沿用自前代：单次请求达到 20 万 token 时，整笔请求跳成两倍价，先前的部分也一起变贵；以及官方提到有一个速度较快的变体版本，价格是两倍。
哪里用得到 Grok 4.6
首发的渠道是这些：
| 渠道 | 说明 |
|---|---|
| Cursor | 代码编辑器，与 SpaceXAI 联合发布 |
| Grok Build | SpaceXAI 自家的开发者界面 |
| SpaceXAI API | 开发者按用量计费的界面，模型代号 grok-4.6 |
| OpenRouter／Vercel／Cloudflare | 第三方平台转接 |
官方公告发布时未同步宣布 grok.com、X 平台与 Grok 手机 app 的上线时间，所以这一代的首发重心明显放在开发者。消费端的实际状况会随时间变动，要确认你的账号现在用得到哪一版，以 SpaceXAI 官方公告与 app 内的说明为准。
Grok 4.6 跟 GPT-5.6、Claude 怎么选
把上面的证据收敛成一张表：
| 你的情境 | 建议 |
|---|---|
| 跨文件改代码、跑量 | Grok 4.6 划算，牌价站在便宜的一端 |
| 交代一件事让它自己做完 | 它的主场，但终端类的长任务仍落后对手约 8 个百分点 |
| 文书、报告、知识工作 | 这是它成绩最好的一块，官方表上三项第一都在这里 |
| 要求文字质量与界面品味 | Claude 仍是社区公认的质量守门员 |
| 高风险内容、对外文字 | 建议 Claude 或 GPT。连两代没有公开安全报告，幻觉率也没有新数字 |
GPT-5.6 详见 ChatGPT 5.6 一次看懂；更广的对比详见 Claude vs ChatGPT。
一句话版本：把「要自己做完的粗活」交给它最划算，需要质量跟安全感的活交给 Claude 或 GPT，钱包决定比例。
小结：它卖的是「做完一件事」的能力
Grok 4.6 整条产品线是一致的：能力往长任务走、首发先进开发者渠道、涨价涨在代理用量最大的那一格。它很清楚自己在对谁说话。
判断它值不值得，关键不在跑分高低，而在你的用法。如果你只是问答、写短文，这一代带给你的差别很小；如果你会把一整件事交出去让它自己做完，进步幅度最大的正好是这一块。
也别忘了那两个空格。连续两代没有安全报告，幻觉率也还没有新的独立数字。这两栏目前是空白，还谈不上好坏，重要的输出自己再查证一次，是现阶段最实际的自保方式。小企鹅会持续追踪。