Artificial Analysis 实测 Grok 4.6：61 分追平 GPT-5.6 Sol，打平 Fable 5 只需五分之一成本

8 月 12 日，独立评测机构 Artificial Analysis 先发布，再连发两条推文，公布 SpaceXAI 模型 Grok 4.6 的实测结果。第一条的核心是：在它的 Intelligence Index 上，Grok 4.6 得 61 分，与 GPT-5.6 Sol (max) 持平，排在 Claude Opus 5（max，63 分）与 Claude Fable 5（max with fallback，62 分）之后，刚好压过 Kimi K3；按 AA 的测量，Grok 4.6 每任务成本 0.84 美元，与 Kimi K3 相同，智能分数略高。

同一天稍晚的第二条给出另一组对照：在 AA 的私有长程基准 AA-Briefcase 上，Grok 4.6 与 Claude Fable 5 的置信区间重叠，统计上打平；每任务成本 4.42 美元，约为 Claude Fable 5（22.30 美元）的五分之一，也低于 Claude Opus 5（17.79 美元）和 Kimi K3（6.73 美元）。

61 分追平 GPT-5.6 Sol，离 Opus 5 还差两分

61 分是 Grok 4.6 发布一个多月后的测量：比 Grok 4.5 高 5 分，比 Grok 4.3 高 23 分。AA 据此给出的判断是，SpaceXAI 重回智能前沿，与 OpenAI 并列，仅落后 Anthropic（brings SpaceXAI back to the intelligence frontier alongside OpenAI, behind only Anthropic）。

这个指数在 AA 上的当前版本是 v4.1.1，由九项评测复合而成：GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience 和 AA-LCR。61 分是九套题合成的一个复合分数。

GDPval-AA v2 Elo 1753：只落后 Claude Opus 5

长文把 Grok 4.6 最强的部分归结为 agentic 工作。GDPval-AA v2 是 AA 所称衡量真实世界 agentic 知识工作的首要指标（our leading measure of real-world agentic knowledge work），Grok 4.6 在它上面拿到 Elo 1753，只落后 Claude Opus 5，与 Claude Fable 5、Qwen3.8 Max 的置信区间重叠。

另外两项 agentic 分数：τ³-Banking 50.7%，与 Qwen3.8 Max（51.3%）同处前两名；Terminal-Bench v2.1 88.4%，与领先模型同档。文章的判断是，很少有模型能同时在知识工作、客服和终端操作三类任务上有竞争力，叠加定价之后，Grok 4.6 在 Intelligence Index 里的每一项 agentic 评测上都落在成本-性能 Pareto 前沿上。

价格没涨，还进了成本-智能 Pareto 前沿

定价与 Grok 4.5 完全一致：输入/输出每百万 token 2/6 美元，比 Claude Opus 5（5/25 美元）和 GPT-5.6 Sol（5/30 美元）低 60% 以上。上下文窗口维持 500k token 不变。变贵的是 cache hit 折扣，从 Grok 4.5 的每百万 0.3 美元涨到 0.5 美元。

AA 实测每任务成本 0.84 美元，与 Kimi K3 相同而智能略高，因此落在 Intelligence vs. Cost per Task 的 Pareto 前沿上。文章特意点出这层反常：前沿模型跨代通常伴随涨价（unusual at the frontier），Grok 4.6 用不变的价格换来 5 分的指数提升。

AA-Briefcase 首测：打平 Fable 5，成本是其五分之一

第二条推文公布的是 Grok 4.6 在 AA-Briefcase 上的首次测量。按 AA 的定义，这个基准考长程 agentic 知识工作，要求模型交付表格、演示文稿、备忘录这类成果；测试集不公开，用于防止污染。

Grok 4.6 的 AA-Briefcase Elo 是 1577，排在 Claude Opus 5 家族之后，与 Claude Fable 5 旗鼓相当（neck and neck），置信区间重叠。文章补充说，它在 rubric 评分、演示质量和分析质量三个维度上表现一致，没有哪一项强到可以掩盖另一项的短板。

成本是这条推文的核心：每任务 4.42 美元，对比 Claude Fable 5 的 22.30 美元、Claude Opus 5 的 17.79 美元、Kimi K3 的 6.73 美元。AA 同时记录了回合效率：Grok 4.6 平均用约 53 个回合、约 0.5B 输入 token 完成任务，Claude Opus 5 (max) 是约 103 个回合、约 2.0B token。文章的算账是，长程任务上下文累积很快，用一半回合、四分之一输入 token 拿到可比的答案，成本优势超出每 token 定价本身。

889 万次浏览，和三个需要说明的口径

截至 8 月 14 日抓取时，第一条推文显示约 889 万次浏览、3,399 个赞、360 次转发；第二条推文约 5.3 万次浏览、761 个赞。两条推文结尾都点名 SpaceXAI 和 Elon Musk，第一条祝贺发布，第二条称这次发布 Impressive release。

三个口径需要说明。第一，全部分数出自 Artificial Analysis 一家机构的独立自测，是它的声明；AA-Briefcase 题目不公开，外界无法用同一套题复核这场「打平」。第二，置信区间重叠的意思是统计上无法区分高低，不等于 Grok 4.6 超过了 Claude Fable 5。第三，模型页上（Grok 4.6 (high)）还标着 Speed 65.1 和每任务 22k token，这组数字同样来自 AA 的测量。

价格部分可以直接对照：Grok 4.6 每百万输出 token 6 美元，GPT-5.6 Sol 是 30 美元；AA-Briefcase 上与 Fable 5 打平的账单，是 4.42 美元对 22.30 美元。而题目本身不公开，这场打平暂时没有第三方能用同一套题复核。