SpaceXAI的Grok 4.6在Artificial Analysis Intelligence Index中得分61

# Grok 4.6 让 SpaceXAI 重返智能前沿，并在成本效率上领先 来源：https://artificialanalysis.ai/articles/grok-4-6-benchmarks-and-analysis ## SpaceXAI 的 Grok 4.6 在 Artificial Analysis Intelligence Index 上获得 61 分，与 GPT-5.6 Sol 并肩进入前沿，以更低成本展现卓越的智能体性能 Grok 4.6 在发布仅一个多月后，其 Intelligence Index 得分比 Grok 4.5 高出 5 分，相比 Grok 4.3 则高出 23 分。这让 SpaceXAI 重返智能前沿，与 OpenAI 并列，仅次于 Anthropic。 **关键要点：**➤ Grok 4.6 跻身 Artificial Analysis Intelligence Index 的前沿：得分 61，与 GPT-5.6 Sol（max）持平，落后于 Claude Opus 5（max，63）和 Claude Fable 5（max with fallback，62），略高于 Kimi K3 ➤ 强劲的智能体性能：Grok 4.6 在 GDPval-AA v2 上取得 1753 的 Elo，仅次于 Claude Opus 5，并与 Claude Fable 5 和 Qwen3.8 Max 的置信区间重叠。它在 τ3-Banking 上获得 50.7%，与 Qwen3.8 Max（51.3%）共同位列前两名；在 Terminal-Bench v2.1 上获得 88.4%，与领先模型持平 ➤ 前沿级智能，更低成本：标价与 Grok 4.5 相同，每 100 万输入/输出 token 为 $2/$6，比 Claude Opus 5（$5/$25）和 GPT-5.6 Sol（$5/$30）低 60% 以上。每个任务成本为 $0.84，与 Kimi K3 相同，但智能略高，使其处于智能 vs. 每任务成本的帕累托前沿 ➤ Grok 4.6 在 AA-Briefcase（我们针对长周期智能体知识工作的私有基准）上处于 Fable 5 级别，Elo 为 1577，落后于 Claude Opus 5 系列。它尤其擅长节省轮次，平均约 53 轮和约 0.5B 输入 token 即可完成任务，而 Claude Opus 5（max）则需要约 103 轮和约 2.0B 输入 token **其他模型详情：**➤ 上下文窗口为 500k token（与 Grok 4.5 相同）➤ 输入/输出每 1M token 定价为 $2/$6；缓存命中折扣为每 1M token $0.5，较 Grok 4.5 的每 1M token $0.3 有所上调 #### 智能体性能 Grok 4.6 最亮眼的成绩体现在智能体工作而非静态推理上。在我们衡量真实世界智能体知识工作的首要指标 GDPval-AA v2 上，它取得了 1753 的 Elo——仅次于 Claude Opus 5，且由于置信区间重叠，在统计上与 Claude Fable 5 和 Qwen3.8 Max 无法区分。 这一模式在不同任务类型中均成立。τ3-Banking（50.7%）测试使用工具的多轮客户服务，Grok 4.6 位列前两名；Terminal-Bench v2.1（88.4%）则使其在基于终端的软件任务中与领先者持平。很少有模型能同时在知识工作、客户服务和终端使用方面具有竞争力；结合其定价，这使得 Grok 4.6 在 Intelligence Index 的每一项智能体评估中都处于成本与性能的帕累托前沿。 #### 成本 在智能前沿，保持一代产品的标价不变并不常见，因为智能提升通常伴随着价格上涨。Grok 4.6 在 $2/$6 定价不变的情况下实现了 Intelligence Index 5 分的提升，而我们测得的每任务成本 $0.84 既反映了该定价，也反映了合理的 token 效率。 对买家而言，真正重要的对比对象是得分与其相差两分之内的模型：定价 $5/$25 的 Claude Opus 5 和定价 $5/$30 的 GPT-5.6 Sol。Grok 4.6 以远低于后者的输出 token 价格，提供了与 GPT-5.6 Sol 几乎相同的 Intelligence Index 得分，而输出 token 价格正是推理密集型工作负载中主导成本的因素。 #### 长周期知识工作 Grok 4.6 首次亮相 AA-Briefcase（我们针对长周期智能体知识工作任务的私有基准），Elo 为 1577。这使其处于 Fable 5 级别，落后于 Claude Opus 5 系列，在评分标准、展示质量和分析质量等方面表现持续强劲，而非某一维度的优势掩盖另一维度的短板。 其效率表现与得分同样引人注目。Grok 4.6 平均约 53 轮和约 0.5B 输入 token 即可完成任务，而 Claude Opus 5（max）则需要约 103 轮和约 2.0B 输入 token。长周期智能体工作会快速累积上下文，因此，一个能以一半轮次和四分之一输入 token 达到相近答案的模型，其成本优势远超其单 token 定价所体现的差异。 #### 完整结果 Artificial Analysis Intelligence Index 中各项评估的完整明细： 有关 Grok 4.6 的更多详情和基准测试，请参阅 Artificial Analysis：https://artificialanalysis.ai/models/grok-4-6