xAI 用 Grok 4.6 叫板 GPT-5.6，長任務智能體會自査工作

BiRun 消息，作者：xAI 編譯：深潮 TechFlow 深潮導讀： Grok 4.6 把重點放在能長期運行、跨多步驟工作的智能體上，並在綜閤智能指數上追平 GPT-5.6 Sol，對開發者選型有實際參考價值。xAI 還給出首週翻倍用量，說明大模型競爭正從單次問答轉向能實際交付項目的代理能力，值得關注 AI 與加密結閤機會的從業者跟蹤。 今天我們發布 Grok 4.6。Grok 4.6 基於 Grok 4.5 構建，特別專注於長運行智能體和更具雄心的交互與視覺工作。它能在多個步驟中持續處理復雜任務，無論是研究主題、分析信息、跨代碼庫工作，還是將想法轉化為完善的應用程序或作品。 Grok 4.6 在多個智能體編碼和知識工作基準上達到前沿水平。它在 Artificial Analysis Intelligence Index 上與 GPT-5.6 Sol 持平，該指數是九項基準的綜閤評分。 圖：來源：xAI；競品數據取自各家開發者公開發布的系統卡或基準排行榜。 Grok 4.6 今日已在 Cursor 和 Grok Build 中可用。第一週內，我們在 Grok Build 和 Cursor 中提供 2 倍包含用量 ，方便你立卽開始試用 4.6。 訓練 Grok 4.6 Grok 4.6 比 Grok 4.5 經歷了更長的補充訓練，使用了經過篩選的模型生成數據，用於推理和高級技術概唸，以及高質量工程數據，並改進了優化器和訓練配方。這為後續的 SFT 和 RL 階段奠定了更強基礎。 隨後，我們使用 Grok 4.5 重新生成 SFT 軌跡，覆蓋推理工作、智能體框架以及 STEM、軟件工程和知識工作等領域，並通過基於模型的檢査過濾掉有問題的軌跡。由此得到的 SFT 檢査點表現出強勁性能和更好的行為。 Grok 4.6 在廣氾的智能體強化學習任務上訓練，包括知識工作、通用編碼，以及針對內覈優化、網頁開發、計算機輔助設計等領域的特定環境。 把宏大想法變成可用項目我們在旨在擴展其範圍和長時間工作能力的項目上測試了 Grok 4.6。我們發現，該模型特別擅長將寬氾的產品想法轉化為可用的初版。它能研究陌生領域、構建應用結構、實現覈心交互，並通過多輪反饋持續優化結果。 在更長的任務軌跡中，我們還開始看到更多自測和驗証行為，模型會在繼續之前檢査自己的工作。 在視覺和交互項目上，Grok 4.6 的首次產出比我們通常在 Grok 4.5 上看到的更強。給定一個具體的產品想法，它能一次性為應用建立結構和視覺語言。這使得它在那些最快獲得好結果的方式是先做出實質內容再循環迭代的項目中特別有用。 安全與能力 Grok 4.6 的安全防護已根據模型能力進行了改進和校準。 我們的安全棧旨在在閤法用例中最大化實用性和安全性，使 Grok 4.6 在漏洞脩補、加速工程設計週期和增強 AI 研究等領域旣有用又安全。 我們的安全防護評估工作反映了 Grok 4.6 擴展的能力，包括我們有史以來最廣氾的能力和安全防護校準部署前測試，以及廣氾的部署後和第三方測試。 基準評測圖：Grok 4.6 與競品在主要基準上的得分對比。來源：xAI；每項評測最高分加粗顯示，第三方模型分數取自其自行報告或公開可獲取的最佳結果。 從公開數據來看，Grok 4.6 在 CursorBench v3.2（69.9%）、GDPVal-AA v2（1753）、AA-Briefcase（1577） 與 APEX-Agents（57.5%） 上追平或超過 GPT-5.6 Sol Max，但在 Terminal-Bench v3。