Grok 4.6实测：性能、定价与Cursor收购深度解析

过去两年，全球AI大模型市场似乎只剩下OpenAI和Anthropic两大玩家。而Grok（xAI）尽管开局声势浩大，却很快归于沉寂，长期停留在第三梯队。但就在最近几天，情况发生了根本性变化——随着xAI完成对Cursor的收购，并发布全新的Grok 4.6模型，这家公司正以惊人的速度追赶头部阵营。本文将结合科技博主Matthew Berman的实测分析，深入解析Grok 4.6的性能表现、定价策略，以及Cursor收购背后的深层逻辑。

Grok 4.6性能解析：从迭代升级到全面提升

Grok 4.6并非全新的训练成果，而是基于Grok 4.5的迭代升级（dot upgrade）。在大模型行业，「dot upgrade」与「全新模型」有本质区别。全新模型意味着从头开始的预训练（pre-training），需要消耗数百万至数十亿美元的算力。而点版本升级则是在已有基础模型之上，通过监督微调（SFT）、强化学习人类反馈（RLHF）或直接偏好优化（DPO）等后训练技术，针对特定能力域进行强化——成本更低、迭代更快，但受限于基础模型的「天花板」。这也是为什么xAI能在收购Cursor后短时间内发布性能显著提升的新版本。

正如xAI在官方博客中所强调的，这是一次「巨大的改进」。其核心焦点非常明确——代码能力与知识工作（knowledge work），而这一切都源自对Cursor的收购。

有意思的是，Grok 4.5此前已成为许多开发者在Cursor中的默认子代理（sub-agent）模型，因其能力强、速度快而备受青睐。而Grok 4.6在此基础上不仅性能全面提升，速度还进一步加快，这对于追求响应速度的用户来说是个不小的惊喜。

基准测试成绩：多项领先，部分仍有差距

从多个权威基准测试来看，Grok 4.6的表现相当亮眼：

• GDPVal（OpenAI推出的知识工作评测）：Grok 4.6 High拿下第一名，超越了竞争对手；
• Harvey Lab（法律场景评测）：以15.8%的成绩大幅领先，远超对手的2.5%和11.3%；
• Terminal Bench：从上一代的15%跃升至26%；
• Cursor Bench：与Fable 5 Max基本持平，未能夺魁；
• DeepSuite（被认为最贴近真实编程体验的评测）：以65.9分位列第三，落后于GPT-5.6 Sol Max（73分）和Fable 5（70%）。

这一点值得警惕：许多模型在跑分上表现优异，但真实编程使用时体验却「不对味」。这背后是AI行业长期存在的「benchmark overfitting（基准过拟合）」问题——模型通过针对性训练刷高特定测试分数，却未必提升真实能力。DeepSuite之所以更具参考价值，在于它模拟的是完整的软件工程任务流：理解需求、拆解问题、生成代码、处理边界情况、调试修复，而非单纯的代码补全或算法题。这类「端到端任务评测」更难被刷分，因为它需要模型在多个维度上同时表现稳定。Grok 4.6在此仍与顶级模型有一定距离，说明其真实编程场景的综合能力仍有提升空间。

Grok 4.6成本分析：性价比的真实较量

Matthew Berman反复强调一个观点：只看质量分数是不够的，成本同样重要。他推荐使用Artificial Analysis的智能指数（Intelligence Index）作为综合参考。

在这一排名中，Grok 4.6 High从上一代的位置一跃升至第四名，与GPT-5.6 Sol并列——Claude Opus 5位居第一，Fable 5第二。但真正决定价值的是「每任务成本」（cost per task）这一维度。

这里有个重要的分析框架：每任务成本取决于两个因素——模型消耗多少token，以及每个token的价格。大模型的计费以「每百万token」为单位，但仅看单价会产生误导，因为不同模型完成同一任务时消耗的token数量差异显著。尤其是「思维链（Chain-of-Thought）」推理模型，往往生成大量中间推理步骤，消耗远超普通模型的输出token。Artificial Analysis等第三方机构通过构建标准化任务集、统一测量各模型的token消耗，计算出真实的每任务花费。以Kimi K3 Max为例，虽然其单价只有Sol和Fable的一半，但由于消耗了两倍的token，实际总成本几乎持平。对于高频调用场景，每任务成本的差异会随调用量指数级放大，因此这一指标在生产环境选型中往往比原始性能分数更具决策价值。

从数据来看，Grok 4.5 High的每任务成本约36美分、智能指数约55-56；而Grok 4.6虽然智能指数提升到约60，但成本也上涨到约83美分。相比之下，它比同等智能水平的GPT-5.6 Sol Max更便宜，与Kimi K3价格相当但智能略高。理想的模型应位于「高智能、低成本」的左上角绿色象限，Grok 4.6虽然更贵了，但整体仍具竞争力。

实测对比：Grok 4.6设计能力仍是短板

在一项相同prompt生成「设计感个人资料卡片」的实测中，三大顶级模型表现各异：

• Fable 5：表现糟糕，生成的图像被形容为「最烂的SVG画图作品」；
• GPT-5.6 Sol：设计优美、干净、视觉吸引力强，明显胜出；
• Grok 4.6：不错但不完美，图像尚可，但按钮被裁切、缺少内边距、文字间距略显奇怪。

结论很清晰：在主观性较强的设计任务上，GPT-5.6 Sol依然领先，Grok 4.6处于中游水平。设计类评测虽难以量化，但差距肉眼可见。这类任务对模型的空间推理能力、审美理解和细节把控要求极高，往往是代码生成能力提升最难直接迁移的领域。

Grok 4.6定价与产品生态：面向更广阔的市场

Grok 4.6的定价极具竞争力：输入200万token为2美元，输出600万token为6美元。作为对比，GPT-5.6 Sol的价格是其数倍，Fable更贵。这使得Grok 4.6成为一个高效且廉价的「主力（workhorse）」模型。

此外，xAI还提供了速度翻倍的Fast变体（价格翻倍），并在首周为Cursor和Grok Build用户提供双倍用量优惠。该模型目前已可通过Cursor、Grok Build、API以及OpenRouter调用。

更值得关注的是全新产品Grok Bot——这是Cursor推出的面向更广泛、非技术用户的产品。它彻底剥离了模型选择功能（用户甚至不知道自己在用哪个模型），也不显示任何代码，只呈现文本和PPT、Word等知识工作产物。每个对话线程都是一个独立的Agent，还配有可爱的小吉祥物。这标志着xAI正瞄准比开发者更庞大的普通用户市场。

xAI收购Cursor的深层逻辑：数据与算力的完美联姻

要理解xAI今天的定位，必须回顾这段历史。今年4月，xAI收购了Cursor——这家曾彻底改变编程方式的公司。Cursor是基于VS Code深度改造的AI原生代码编辑器，由Anysphere公司推出，迅速成为开发者社区中最具影响力的AI编程工具之一。它的核心创新在于将大语言模型深度嵌入编辑器工作流：不仅提供代码补全，还支持多文件上下文理解、自然语言代码生成、对话式调试，以及「Agent模式」——让AI在用户监督下自主完成复杂的多步骤编程任务。随着Claude Code和Codex的崛起，它逐渐失去了部分开发者的青睐，但其积累的海量真实编程交互数据依然是极为宝贵的战略资产。

这次收购的价值在于互补性：

• Cursor拥有海量宝贵的编程数据，却没有数据中心和GPU来训练自己的模型；
• xAI则在122天内建成了20万块GPU的集群（即「Colossus」集群），速度惊人，但苦于没有好模型，导致大量算力闲置。

在大模型时代，算力与数据是两种最关键的生产要素，且两者缺一不可。编程数据尤为稀缺——真实的代码-自然语言交互数据、用户修改AI生成代码的反馈数据、跨越多文件的长上下文编程任务数据，这些都难以从公开语料库中直接获取，必须通过实际产品积累。Cursor每天处理数百万次真实开发者的编程请求，积累的这类数据集是xAI无法通过爬取互联网获得的。数据 + 算力的结合，催生了强大的新一代编程模型。

这也印证了当前大模型的「制胜公式」——死磕编程场景，以及由此形成的飞轮效应。这一飞轮的结构是：开发者大量使用编程工具产生真实交互数据，数据用于训练更强的编程模型，更强的模型吸引更多开发者，形成闭环。这一飞轮最早由Anthropic系统性构建：开发者使用Claude Code，数据和收入反哺Anthropic，再用编程模型训练下一代模型。OpenAI随后通过收购Windsurf并推出Codex CLI复制了这一模式并追平差距，如今xAI也走上了同样的路径。这一模式的战略意义在于：它将产品收入、用户增长和模型能力提升三者绑定在一起，构建出极高的竞争壁垒——后来者不仅要追赶模型能力，还要同时追赶数据积累。

递归自我改进的信号

xAI在博客中明确提到，他们用Grok 4.5来训练Grok 4.6——利用4.5重新生成SFT轨迹（涵盖推理、Agent框架，以及STEM、软件工程、知识工作等领域）。

「SFT轨迹」特指包含完整推理过程的训练样本——不仅有最终答案，还有逐步的思考链、工具调用序列或Agent行动记录。用上一代模型生成SFT轨迹来训练下一代模型，其技术基础是「知识蒸馏（knowledge distillation）」的变体：强模型的输出分布往往优于人工标注的简单答案，因此用它来生成训练数据能带来质量提升。这正是「递归自我改进」的雏形——AI能力提升的路径正从「人工数据驱动」向「模型自举（model bootstrapping）」演进。虽然尚未形成完全闭环的自我进化AI，但当前各大实验室都在用上一代模型训练下一代模型，Grok亦不例外。

AI竞争格局：xAI的算力筹码与未来展望

一个耐人寻味的细节是：由于Anthropic低估了自身模型的需求，转而向xAI购买算力。Matthew Berman形象地将此比喻为「向敌人出售武器」——考虑到马斯克此前对Anthropic的诸多负面评价，这笔交易想必让他内心复杂。

但潜在的隐忧在于：一旦Grok 4.6开始吸引大量需求，在与Anthropic的合约到期后，xAI很可能将全部GPU算力转向自家的Cursor和Grok。对Anthropic的Dario而言，这或许是个值得警惕的信号。

而xAI的脚步并未停止。马斯克已发推透露，Grok 4.7比4.6显著更强，预计三到四周内就绪，初步训练已完成，接下来将加入大量SpaceX公司数据进行补充训练。

结语：第三大AI实验室的崛起

Grok 4.6的发布标志着美国AI市场正式迎来第三大主要实验室——继OpenAI和Anthropic之后，xAI凭借Cursor收购带来的数据优势和自身庞大的算力储备，正以极快的速度缩小差距。尽管在设计能力和部分真实编程体验上仍与顶尖模型有距离，但其低价、高效、快速的特性，以及面向大众市场的Grok Bot产品策略，都让它成为一个不容忽视的力量。

正如Matthew Berman所言：竞争是好事。无论是开源模型还是闭源前沿模型的竞争，最终都意味着更好的模型和更低的价格，这对所有用户都是福音。

核心要点