12 августа 2026 года xAI выпустила Grok 4.6, и главное в релизе — не строчка в таблице бенчмарков, а поведение модели на длинных задачах. Новая версия обучена поверх Grok 4.5 и унаследовала её как рабочую базу: формулировка «xAI представила Grok 4.5» описывает предыдущий шаг линейки, а не её финал. Ставка сделана на агентов, которые держат контекст десятки шагов, и на визуальные интерактивные проекты.
Заявленный сценарий — исследование темы, разбор информации, работа по чужой кодовой базе и превращение идеи в приложение. Именно на таких задачах видно разницу между моделями: слабая теряет нить к десятому шагу, сильная доносит контекст до сотого.
Почему xAI представила Grok 4.5 как заготовку, а не финал
Механика обучения описана прямо: Grok 4.5 использовали повторно, чтобы заново сгенерировать SFT-траектории — пошаговые примеры, на которых модель учится рассуждать и работать с инструментами. Прогон шёл на разных уровнях «усилия» рассуждений, в разных агентных обвязках и в доменах вроде STEM, разработки и аналитической работы. Сомнительные трассы отсеивали автоматическими проверками на основе другой модели.
Смысл в том, что длинный агент ломается на мусоре в промежуточных шагах: одна неверная правка в файле, один пропущенный вызов инструмента — и через двадцать шагов работа разваливается. Чистые траектории учат модель не столько отвечать, сколько не портить сделанное раньше. Побочный эффект — более предсказуемое поведение в середине длинной сессии, где раньше начинались отсебятина и повторы.
Длинное дообучение и агентные среды: что поменялось внутри
Дополнительный прогон обучения у 4.6 длиннее, чем у 4.5. В набор вошли сгенерированные моделью данные по рассуждениям и сложным техническим темам, инженерные примеры высокого качества, а также переработанный оптимизатор и рецепт обучения. Это дало более крепкую основу для этапов SFT и RL, которые шли следом.
Вторая часть — наборы задач для агентного обучения: аналитическая работа, обычное программирование и отдельные среды под оптимизацию ядра, веб-разработку и автоматизированное проектирование. На длинных траекториях разработчик отметил больше самопроверки: модель проверяет собственную работу, прежде чем двигаться дальше. Для визуальных и интерактивных проектов это заметно снижает число кругов правок — структура и визуальный язык приложения выстраиваются за один проход, а не собираются по частям.
Бенчмарки: где прирост честный, а где отставание
Цифры ниже — из опубликованных материалов xAI: варианты High, сторонние модели взяты по их system cards и лидербордам. Смотреть стоит не на одну строку, а на разброс между тестами: он показывает, где модель действительно догнала лидеров, а где пока копится долг.
| Тест | Grok 4.6 High | Grok 4.5 High | Лучший конкурент |
|---|---|---|---|
| AA Intelligence Index | 61 | 56 | Fable 5 Max — 62 |
| GDPVal-AA v2 | 1753 | 1526 | Fable 5 Max — 1741 |
| CursorBench v3.2 | 69,9% | 66,7% | Fable 5 Max — 70,5% |
| DeepSWE v1.1 | 65,9% | 54% | GPT-5.6 Sol — 73% |
| FrontierCode v1.1 | 61,3% | 56,6% | Fable 5 Max — 63,6% |
| Terminal-Bench v3.0 | 26% | 15,7% | GPT-5.6 Sol — 34,6% |
| APEX-Agents | 57,5% | 47,1% | Fable 5 Max — 59,2% |
| Harvey LAB (Vals) | 15,8% | 12,9% | Fable 5 Max — 11,3% |
Прирост к предыдущей версии заметен почти везде, но рисунок неровный. В задачах на знание и аналитику модель почти дотянулась до лидеров: по GDPVal-AA она выше GPT-5.6 Sol и уступает Fable 5 Max символически. По CursorBench разница с конкурентом лежит в пределах шума, а отрыв от собственной версии 4.5 уже осмысленный. Отдельный сюжет — Harvey LAB, где результат в разы выше, чем у GPT-5.6 Sol: это профильный тест на юридическо-аналитические задачи, и там модель ведёт себя увереннее, чем предполагает её общий рейтинг.
Слабое место — терминал и сложная инженерия. Terminal-Bench v3.0 и DeepSWE ниже обоих конкурентов, причём с запасом. Читается это так: длинные сессии в редакторе, браузере или визуальном конструкторе идут хорошо, а работа с командной строкой и ветвистыми инженерными цепочками по-прежнему требует человека, который проверит каждый шаг. Внутренние бенчмарки разработчика при этом не заменяют проверку на своей задаче — они лишь задают ожидания.
Доступ, цена и что это значит для пользователей в России
В день релиза модель появилась в Cursor и Grok Build. Первую неделю там дают удвоенный лимит включённого использования — этого хватает, чтобы прогнать реальную задачу и не платить отдельно за эксперимент.
Дальше идут API и партнёрские площадки: OpenRouter, Vercel, Cloudflare. Для тех, кто собирает собственный продукт, важнее сам API — тарифы стартуют с двух долларов за миллион входных токенов и шести за миллион выходных, быстрый вариант обходится вдвое дороже. Агентная сессия на десятки шагов съедает токены быстро, так что бюджет лучше считать заранее, а не по факту счёта.
Для российских команд есть практические ограничения. Прямая оплата зарубежного API требует иностранной карты или расчётного посредника, а корпоративный доступ обычно оформляют через юрлицо. Задержки при работе через европейские и американские провайдеры сказываются на интерактивных сценариях сильнее, чем на пакетной обработке. Если в проекте есть персональные данные пользователей, отправку их за границу стоит отдельно обсудить с юристом до запуска, а не после.
Когда Grok 4.6 не нужен
Если задача решается одним запросом — переписать абзац, объяснить ошибку, перевести текст, — разница с любой актуальной моделью будет на уровне вкуса, а платить за агентные способности смысла нет. Не подходит версия и там, где нужна гарантированная воспроизводимость: длинные цепочки с самопроверкой всё равно дают вариативный результат от запуска к запуску.
- Задача из вашей практики. Проверять стоит на кейсе, который сейчас делают руками: выгрузка данных, правка в репозитории, сборка прототипа интерфейса.
- Лимит бюджета на прогон — иначе агент с самопроверкой незаметно уходит в цикл уточнений.
- Сверка результата. Смотрите, сколько правок пришлось внести в первую версию: если больше половины, выигрыша в скорости не будет.
- Нужен ли агентный режим вообще, если хватает одного точного запроса с готовым контекстом.
С чего начать на этой неделе
Самый дешёвый способ понять, есть ли выигрыш, — взять одну свою задачу и прогнать её в Grok Build или Cursor, пока действует удвоенный лимит первой недели. Сравнивать стоит не с абстрактным рейтингом, а с той моделью, которой команда пользуется сейчас, на одном и том же наборе входных данных.
Установка CLI занимает одну команду: curl -fsSL https://x.ai/cli/install.sh | bash. После этого достаточно выдать ключ, зафиксировать потолок расходов и посмотреть, сколько шагов агент проходит без вмешательства.
