Grok 4.6モデル発表と初期評価

xAIは2026年8月13日、価格を据え置いたままGrok 4.6をリリースし、Grok Build、Cursor、Grok Bot、APIで利用可能とした。価格は入力トークン100万あたり2ドル、出力トークン100万あたり6ドルのまま。モデルは50万トークンのコンテキストウィンドウを持ち、テキストと画像の入力、テキスト出力に対応し、関数呼び出し、構造化出力、推論をサポートする。Grok 4.6は長距離エージェントタスクと、より重いインタラクションおよびビジュアル作業に重点を置き、長い軌道では自己テストと検証が増加し、初回のビジュアルドラフトは4.5よりも優れていた。Artificial Analysis複合指数ではGrok 4.6は61で、GPT-5.6 Sol Maxと同点、Grok 4.5の56より5ポイント高く、Fable 5 Maxの62より1ポイント低かった。全10指標が4.5から上昇し、DeepSWEは54%から65.9%、APEX-Agentsは47.1%から57.5%、Terminal-Benchは15.7%から26%、GDPVal-AAは1526から1753、AA-Briefcaseは1313から1577に増加。APEX-SWEは2.8ポイント上昇。CursorチームメンバーはGrok 4.6をブラウザナビゲーション、機能・ビジュアルQA、受信箱整理、リリース記事作成、Remotion動画制作に使用。ストレステストにはスプレッドシートアプリ、ブラウザ版Age of Empires 2、MSN Messenger、Excalidrawプレゼンテーションモード、架空の四半期ボードデッキ、60~90秒のX TypeScript SDKローンチ動画が含まれた。報告された強みは、密度の高い要約情報、小さな変更時の静かな動作、複数ファイル変更時のナレーション、4.5より速く賢い動作。プロンプトテストでは、「一生懸命働け」などの表現はほとんど効果がなく、長さは具体性を通じて役立ち、受け入れ基準が結果を左右した。自己検証可能性はウェブサイトが最も容易で、3Dはより困難、動画はさらに困難、物理作業は同程度だった。マスク氏はGrok 4.7が約1カ月以内に期待されると述べ、SpaceXのトレーニングデータは独自性が高いとし、Anthropicを称賛したがOpenAIには言及しなかった。
Key insights
Grok 4.6の発表と利用可能性
Grok 4.6が発表され、Grok Build、Cursor、Grok Bot、APIで利用可能となった。価格はGrok 4.5と同じく、入力トークン100万あたり2ドル、出力トークン100万あたり6ドルに据え置かれた。モデルは50万トークンのコンテキストウィンドウを持ち、テキストと画像の入力を受け付け、テキスト出力を生成し、関数呼び出し、構造化出力、推論をサポートする。
GPT-5.6およびFable 5とのベンチマーク比較
Artificial Analysis複合指数ではGrok 4.6は61で、GPT-5.6 Sol Maxと同点、Grok 4.5の56より5ポイント高く、Fable 5 Maxの62より1ポイント低かった。チームが測定した全10指標がGrok 4.5から上昇した。DeepSWEは54%から65.9%、APEX-Agentsは47.1%から57.5%、Terminal-Benchは15.7%から26%、GDPVal-AAは1526から1753、AA-Briefcaseは1313から1577に増加した。
長距離エージェントタスクとビジュアルタスクの強化
Grok 4.6は4.5と比較して2つの分野が強化された。研究、分析、コードベース編集、アイデアの実用製品化のための長距離エージェント動作と、アプリケーション構造やビジュアル言語を一度のパスで確立するなど、より重いインタラクションおよびビジュアル作業である。チームの観察では、長い軌道での自己テストと検証が増加し、ビジュアルおよびインタラクションプロジェクトの初回ドラフトは4.5より顕著に優れていた。
実務者報告:情報密度と速度
Cursorチームメンバーは数週間にわたりGrok 4.6を日常的に使用した。報告された用途には、サプライヤーコンソールでのAPIキークリックなどのブラウザナビゲーション、実行中のアプリケーションの機能・ビジュアルQA、受信箱整理、リリース記事作成、Remotion動画制作が含まれる。ユーザーは、要約にタスクの再記述ではなく実際の情報が含まれていること、短い更新で割り込みの判断が十分にできることを評価した。モデルは小さな変更時には静かで、多くのファイルが変更されるとナレーションを行ったが、不要なことを言う場合もあった。Grok 4.6は速く、4.5より明らかに賢く、結果が重要な場合にはユーザーを同期的な作業に引き戻した。
プロンプトスタイルと受け入れ基準
長いプロンプトと短いプロンプトの比較テストでは、「一生懸命働け」などの表現はGrok 4.6にとってほとんど効果がなかった。長いプロンプトは既知の要件に関する具体性を追加する場合に役立ち、短いプロンプトはモデルのセンスにより多くの決定を委ね、モデルのセンスは多くのケースで機能するほど向上していた。長い仕様は最初から最後まで従うことができたが、明示的に分離しない限りコンポーネントが繰り返される可能性があった。最も強力なレバーは、作業の検証方法を定義する受け入れ指示だった。
自己検証可能性が核心的な制約
実務者の最も一般的な観察は、モデルの作業が検証しにくいタスクが最も困難であるというものだった。ウェブサイトはDOMがテキストであり、ページを読み取り、スクリーンショットを撮り、意図と照合できるため最も容易だった。3D作業は直接読み取れない次元があるためより困難だった。動画は時間がフレーム間の推論を必要とするためさらに困難だった。物理作業も同様で、1枚のスクリーンショットでは動きが正しく行われたか判断できないためだった。
Grok 4.7の期待とマスク氏の発言
マスク氏はGrok 4.7が約1カ月以内に期待されると述べた。同氏はSpaceXのトレーニングデータは非常に強力で独自性が高く、4.7よりも強力な実エンジニアリング能力を持つモデルがあれば驚きだと述べた。また、Anthropicを優れた企業であり、近いうちにより良いモデルをリリースする可能性が高いと称賛したが、OpenAIには言及しなかった。