Grok 4.6 发布：长程 Agent 进入 API，$2/$6 起，参数未披露 (2026)

先看结论

如果你要测试长流程编码、知识工作或把产品想法直接做成可运行原型，Grok 4.6 已经可以进入第一轮评测：xAI 在 2026 年 8 月 12 日宣布模型上线，Cursor、Grok Build、API 以及 OpenRouter、Vercel、Cloudflare 等合作入口均已提供。API 起价为输入每百万 token 2 美元、输出每百万 token 6 美元；快速变体按两倍价格计费。1

但不要把它读成「所有榜单都第一」。xAI 公布的表格里，Grok 4.6 在 Artificial Analysis Intelligence Index 得分 61，与 GPT-5.6 Sol 持平；在 CursorBench 3.2、GDPVal-AA v2、AA-Briefcase 等项目上有竞争力，在 DeepSWE v1.1 和 Terminal-Bench v3.0 上则低于表中的部分对手。表内数字来自 xAI 汇总的自报成绩或公开结果，适合决定是否试用，不等于控制变量一致的独立排行榜。1

这次发布了什么

项目	已确认信息	选型时要问的问题
发布时间	2026 年 8 月 12 日	这是正式发布，不是此前「later this week」的预告。1
模型定位	长程 Agent、知识工作，以及更复杂的交互和视觉项目	任务是否需要连续多步执行、自测和反复修改？1
参数规模	官方公告未披露	不能用参数量推断成本、速度或能力。1
上下文窗口	官方公告未给出	长文档任务要以实际 API 文档和调用限制为准，不能从「长程」一词推断窗口大小。1
首发入口	Cursor、Grok Build、API；另有 OpenRouter、Vercel、Cloudflare	想先体验可走 Grok Build 或 Cursor，想做可重复评测则优先固定 API 入口。1

xAI 对训练过程的描述包括更长的补充训练、面向推理和技术概念的模型生成数据、高质量工程数据，以及改进后的优化器和训练配方。后续 SFT 轨迹由 Grok 4.5 重新生成，再用于推理、Agent harness、STEM、软件工程和知识工作等场景；RL 任务还覆盖内核优化、网页开发和计算机辅助设计。以上是厂商对训练过程的披露，不是独立复现实验。1

Benchmark 怎么读

官方表格覆盖 9 个评测。下面保留最能帮助选型的几项，括号内是同一张表中的对照成绩：

AA Intelligence Index：61。与 GPT-5.6 Sol 的 61 持平，低于 Fable 5 的 62。该指数是 9 个 benchmark 的综合分，不是单项任务成功率。1
GDPVal-AA v2：1753。高于 GPT-5.6 Sol 的 1728 和 Fable 5 的 1741。这个结果支持把它放进知识工作和产出物生成的候选集，但不能单独证明真实业务质量。1
CursorBench v3.2：69.9%。高于 GPT-5.6 Sol 的 67.2%，低于 Fable 5 的 70.5%。它更直接对应 Cursor 类编码 Agent 场景。1
DeepSWE v1.1：65.9%。低于 GPT-5.6 Sol 的 73% 和 Fable 5 的 70%，但高于 Grok 4.5 的 54%。如果你的核心任务是软件工程，不能只看 AA 总分。1
APEX-Agents：57.5%、FrontierCode v1.1（Extended）：61.3%。两项都高于 Grok 4.5 的 47.1% 和 56.6%，说明这次升级的主要信号确实落在 Agent 与编码轨道。1

这组数据最稳妥的读法是：Grok 4.6 的升级方向很明确，长程 Agent 和交互式开发值得实测；但它并非所有编码评测的最高分模型。xAI 还注明，第三方模型成绩取各自公开或自报结果中的最好值，比较时要保留这个口径差异。1

能力亮点与安全信息

xAI 称，Grok 4.6 能在较长轨迹中完成陌生领域调研、应用结构设计、核心交互实现，并根据多轮反馈继续修改。官方还观察到更多自测和验证行为：模型会在继续执行前检查自己的工作。对于需要把一句产品想法变成首个可运行版本的任务，这比单轮问答能力更值得测。1

视觉与交互项目是另一个重点。xAI 表示，Grok 4.6 比 Grok 4.5 更擅长一次建立应用的结构和视觉语言，再在循环中迭代。这个判断仍是厂商自述，实际效果要用真实前端项目、设计约束和人工验收来验证。1

安全部分，公告称已改进 safeguards，并进行了更大范围的发布前能力与安全校准测试，以及发布后的第三方测试；公告没有附上具体安全指标、完整 system card 或可复核的测试明细。涉及漏洞修复、工程设计和 AI 研究时，建议把权限、网络访问、代码执行和人工审批单独设为评测变量，不要只看 benchmark 分数。1

现在怎么试

先做低成本体验：Grok Build 可免费试用；Cursor 和 Grok Build 在官方宣布后的首周提供 2 倍包含用量。1
需要可重复数据时走 API：从 xAI API 控制台创建密钥，按输入 $2、输出 $6 每百万 token 估算预算；快速变体按两倍价格计算。1
用真实任务而不是榜单复现：准备一个多文件代码库、一个陌生领域调研任务和一个交互式页面原型，记录完成率、人工接管次数、耗时、token 消耗和返工次数。
先确认限制再上生产：公告没有给出参数规模和上下文窗口，也没有在正文中展开 rate limit、数据保留和安全评测细节。上线前应查看 API 文档的当前说明，并核对账户实际可用模型与限额。1

对大多数团队，Grok 4.6 的合理动作不是立刻替换现有模型，而是把它加入长流程 Agent、代码库操作和交互式原型的对照组。它的价格和入口已经足够支持小规模试用，真正还缺的答案则是：在你的工具链、权限边界和人工验收标准下，长程能力能否转化成更少的返工。

References

1
xAI 官方发布公告x.ai