Grok 4.6で何が変わったか？性能・料金・ハーネスを分けて見る

短い質問に答えるだけなら、すでに多くのモデルが十分に流暢です。差が出るのは、調べる、整理する、実装する、結果を確認するという工程が何度も続く仕事でしょう。

xAIはGrok 4.6を、コーディング、エージェント作業、知識労働向けのフロンティアモデルとして発表しました。発表文では、長い調査、コードベースをまたぐ作業、アプリや成果物を仕上げる仕事を、複数ステップにわたって維持することを強調しています。

ここでいうエージェントは、回答文を一度返して終わるチャットではなく、道具を呼び、作業状態を持ち、結果を見て次の操作を選ぶ仕組みです。モデルの能力だけでなく、道具の渡し方が結果を変えます。

今回の見出しになったAA-Briefcaseは、単発の知識問題だけを見る試験ではありません。Artificial Analysisの説明では、データサイエンス、プロダクト管理、企業戦略などの4つの長期プロジェクト、合計91タスクで、表計算・プレゼンテーション・メモのような成果物を作らせます。

採点は、指示や証拠を満たしたかというルーブリック、分析の質、プレゼンテーションの質を組み合わせたEloです。つまり「正答率だけ」ではなく、仕事として提出できるかも見る評価です。

したがって「Grok 4.6がFable 5に勝った」は、この評価表のこの条件では3点高かったという意味です。Fable 5の公式ページが説明する長期のコーディングや知識労働への強みまで、同じ一文で逆転したわけではありません。

Grok 4.6の標準的な短文脈価格は、入力が100万トークンあたり2ドル、出力が6ドルです。200kトークン以上の長文脈リクエストは、入力4ドル、キャッシュ入力1ドル、出力12ドルに切り替わります。

公開API価格を単純比較すると、Grokの入力はGPT-5.6 Solの4割、出力は5分の1です。「入力は半分以下、出力は5分の1」という感覚は、入力については正しい方向ですが、正確には半分よりさらに安い。ただし、実際の請求額はキャッシュ、長文脈、推論トークン、ツール呼び出し、リクエスト回数で変わります。

ハーネスとは、モデルの周りにある実行の仕組みです。プロンプトをどの順番で渡すか、ファイルをどう読むか、ツールをいつ呼ぶか、失敗時に再試行するか、途中の状態をどう要約するか。これらをまとめて、モデルを仕事に接続します。

だから「Grok 4.6とGPT-5.6 Solのどちらが上か」より、「自分の仕事で、どのモデルをどのハーネスに載せたとき失敗が少ないか」が実務の問いになります。Codexの操作感が使いやすいという評価も、モデル単体ではなく、承認、差分、サンドボックス、ツール連携を含む体験の評価です。

Grok 4.6を試す最初の仕事は、公開されたベンチマークを再現することではありません。自分が一週間に何度も繰り返す、失敗しても戻せる仕事を選びます。

1. 01対象を固定する。同じリポジトリ、同じ資料、同じ完了条件で、モデルだけを変える。
2. 02数字を分けて記録する。成功率、所要時間、入力・出力トークン、やり直し回数、人間の確認時間を残す。
3. 03ハーネスを固定する。ツール、権限、承認、テストの条件を揃え、モデル差と実行環境差を混ぜない。
4. 04最後に単価を見る。1回の価格ではなく、完了した成果物1件あたりの総コストで判断する。

Grok 4.6の価格は、試行回数を増やしやすくする強い材料です。けれど、最終的に選ぶ理由は「安いから」だけではない。長い作業を保ち、確認し、戻せるか。その答えが、自分の机の上で出るまで評価は終わりません。