Grok 4.6 智能指数评测：61 分进入第一梯队

Grok 4.6发布仅一个多月，其智能指数便较Grok 4.5提升5分，较Grok 4.3更是高出23分。这一成绩让SpaceXAI重回智能第一梯队，与OpenAI并肩，仅次于Anthropic。

核心要点： ➤ Grok 4.6跻身人工智能分析智能指数第一梯队：得分61，与GPT-5.6 Sol（满分）持平，落后于Claude Opus 5（满分63）和Claude Fable 5（含兜底机制满分62），略领先于Kimi K3 ➤ 智能体表现强劲：Grok 4.6在GDPval-AA v2 Elo评分中取得1753分，仅次于Claude Opus 5，且与Claude Fable 5、Qwen3.8 Max的置信区间重叠；在𝜏³-Banking测试中得分50.7%，与Qwen3.8 Max（51.3%）并列前二；在Terminal-Bench v2.1测试中得分88.4%，与头部模型持平 ➤ 前沿智能，更低成本：公开定价与Grok 4.5保持一致，输入/输出每百万token分别为2美元/6美元，较Claude Opus 5（5美元/25美元）和GPT-5.6 Sol（5美元/30美元）低60%以上；单任务成本为0.84美元，与Kimi K3持平，但智能水平略高，跻身智能-单任务成本帕累托前沿 ➤ 在我们针对长周期智能体知识工作的私有基准测试AA-Briefcase中，Grok 4.6 Elo评分为1577，达到Fable 5级别，仅次于Claude Opus 5系列。其对话轮次效率尤为突出：平均约53轮对话、0.5B输入token即可完成任务，而Claude Opus 5（满分）平均需要约103轮对话、2.0B输入token

其他模型细节： ➤ 上下文窗口为50万token（与Grok 4.5保持一致） ➤ 输入/输出每百万token定价2美元/6美元；缓存命中定价提升至每百万token0.5美元，高于Grok 4.5的每百万token0.3美元

智能体表现

Grok 4.6的优势在于智能体任务，而非静态推理能力。在衡量真实世界智能体知识工作的核心指标GDPval-AA v2中，它取得1753的Elo评分——仅次于Claude Opus 5，且因置信区间重叠，与Claude Fable 5、Qwen3.8 Max的表现无统计学差异。

这一优势贯穿各类任务：𝜏³-Banking测试（得分50.7%）考察多轮工具调用型客户服务能力，Grok 4.6跻身前二；Terminal-Bench v2.1测试（得分88.4%）中，它在终端软件任务上与头部模型持平。同时在知识工作、客户服务、终端操作三类任务中保持竞争力的模型寥寥无几；结合其定价，Grok 4.6在智能指数的所有智能体评估中，均处于成本-性能帕累托前沿。

成本分析

在前沿模型领域，智能提升通常伴随价格上涨，但Grok 4.6在迭代后维持公开定价不变。它在保持2美元/6美元输入/输出定价的前提下，实现了智能指数5分的提升；我们测算的0.84美元单任务成本，既反映了其定价优势，也体现了出色的token使用效率。

对用户而言，关键对比对象是得分与其相差不超过2分的模型：Claude Opus 5（5美元/25美元）和GPT-5.6 Sol（5美元/30美元）。Grok 4.6的智能指数得分与GPT-5.6 Sol基本相当，但输出token价格仅为后者的一小部分——而在推理密集型工作负载中，输出token成本是影响总成本的核心因素。

长周期知识工作能力

在我们针对长周期智能体知识工作的私有基准测试AA-Briefcase中，Grok 4.6首次亮相便取得1577的Elo评分，达到Fable 5级别，仅次于Claude Opus 5系列。它在评分标准的各个维度（评分体系契合度、演示质量、分析质量）均表现稳健，而非某一维度的优势弥补另一维度的短板。

其效率表现与得分同样亮眼：Grok 4.6平均约53轮对话、0.5B输入token即可完成任务，而Claude Opus 5（满分）平均需要约103轮对话、2.0B输入token。长周期智能体工作会快速积累上下文，因此能以一半对话轮次、四分之一输入token完成同等质量任务的模型，其成本优势远不止于单token定价层面。