12 августа 2026 года xAI представила Grok 4.6 — обновление линейки, где прирост качества связан прежде всего с длинными агентными задачами. Модель держит нить многошаговой работы: разбор темы, анализ данных, правки в кодовой базе, превращение идеи в рабочий прототип.
Доступ открыт сразу в Cursor и Grok Build, через API и у партнёров — OpenRouter, Vercel, Cloudflare. Тарифы начинаются с $2 за миллион входных токенов и $6 за миллион выходных, быстрый вариант дороже вдвое. Первую неделю в Grok Build и Cursor действует удвоенный лимит включённого использования.
По сводному индексу Artificial Analysis Intelligence Index, собранному из девяти тестов, новинка набирает 61 балл и делит результат с GPT-5.6 Sol. Выше только Fable 5 Max с 62. Разрыв в среднем минимален, поэтому по отдельным задачам картина расходится заметно сильнее.
Почему xAI представила Grok 4.6 с упором на длину задачи
Агентный сценарий отличается от чата тем, что ошибка на пятом шаге обходится дороже неточности в одном ответе. Модель, которая уверенно отвечает на отдельный вопрос, но теряет логику к сороковой итерации, в работе бесполезна: результат всё равно перепроверяют целиком, и экономии не возникает.
xAI описывает сдвиг в поведении конкретно: на длинных траекториях модель чаще проверяет собственную работу перед переходом к следующему шагу. В визуальных и интерактивных проектах первый проход стал крепче — структура приложения и визуальный язык задаются сразу, тогда как у Grok 4.5 черновик обычно требовал переделки.
Практическая разница проявляется там, где нужно начать с чего-то существенного и дальше дорабатывать. Разведка незнакомой предметной области, каркас приложения, реализация ключевых взаимодействий, несколько кругов правок по замечаниям — всё это укладывается в одну цепочку. На задачах, которые распадаются на независимые мелкие вопросы, выигрыш от смены версии почти не виден: разница именно в непрерывности.
Цена непрерывности — расход. Чем длиннее траектория, тем больше выходных токенов уходит на рассуждения и перепроверку, а они в тарифе втрое дороже входных. Пилот на собственном наборе задач стоит прогонять с включённым учётом, иначе счёт за месяц окажется неприятной неожиданностью.
Бенчмарки: где Grok 4.6 догнал GPT-5.6 Sol, а где отстал
Цифры ниже взяты из опубликованной карточки модели и открытых лидербордов. Сравнение корректно только по тем тестам, где у конкурентов есть опубликованный результат: прочерк означает отсутствие данных, а не провал.
| Тест | Grok 4.6 High | GPT-5.6 Sol Max | Fable 5 Max |
|---|---|---|---|
| AA Intelligence Index | 61 | 61 | 62 |
| GDPVal-AA v2 | 1753 | 1728 | 1741 |
| CursorBench v3.2 | 69,9% | 67,2% | 70,5% |
| DeepSWE v1.1 | 65,9% | 73% | 70% |
| FrontierCode v1.1 | 61,3% | 60,6% | 63,6% |
| APEX-Agents | 57,5% | 56,7% | 59,2% |
| Terminal-Bench v3.0 | 26% | 34,6% | 34,1% |
| APEX-SWE | 56,4% | — | 58,8% |
| AA-Briefcase | 1577 | 1502 | 1574 |
| Harvey LAB (Vals) | 15,8% | 2,5% | 11,3% |
Сводный балл совпал, но по направлениям разброс шире. Сильные места — работа с экономикой знаний и агентные цепочки средней длины, слабые — терминальные сценарии и сложные инженерные задачи: по Terminal-Bench v3.0 и DeepSWE v1.1 отставание от GPT-5.6 Sol ощутимое, до конкурента там далеко.
Отдельный выброс — Harvey LAB с 15,8%: на профильном отраслевом тесте результат выше, чем у моделей из таблицы, хотя абсолютное значение скромное. Подобные расхождения обычно означают подтягивание под конкретный класс задач, а не общий рост качества. Ждать такой же прыти на смежных направлениях не стоит.
Относительно Grok 4.5 прирост виден там, где важна выносливость цепочки: APEX-Agents 57,5% против 47,1%, Terminal-Bench 26% против 15,7%, GDPVal-AA 1753 против 1526. Почти двенадцать пунктов в DeepSWE — тоже прогресс, но до лидеров сегмента модель не дотягивает.
Что изменилось в обучении и чем это грозит на практике
Дополнительный прогон обучения оказался длиннее, чем у Grok 4.5. В набор вошли отобранные модельные данные по рассуждениям и сложным техническим темам, инженерные материалы высокого качества, а оптимизатор и рецепт обучения переработали. Это дало более прочную базу под последующие этапы — дообучение на инструкциях и обучение с подкреплением.
Дальше траектории для этапа SFT генерировала сама Grok 4.5, а проблемные следы отсеивались проверками на основе модели. Здесь и лежит основной риск, о котором в релизе не пишут. Модель учится на собственном стиле решения задач, и вместе с удачными траекториями к ней переходят привычки предшественницы: скажем, склонность пропускать проверку граничных случаев ради быстрого черновика.
Обучение с подкреплением шло на агентных задачах разного профиля — от общей работы с кодом до отдельных сред под оптимизацию ядра, веб-разработку и системы автоматизированного проектирования. Узкие среды дают навык доводить дело до проверяемого результата в конкретном инструменте. За пределами этих инструментов навык переносится хуже, и в экзотическом стеке рассчитывать на него без собственной проверки не стоит.
Доступ из России и реальная стоимость подписки
Прямая регистрация в сервисах xAI для российских пользователей, как правило, упирается в оплату: нужна карта иностранного банка, иногда зарубежный номер. Дело в платежах, а не в технике, и решается это либо посредником, либо зарубежным аккаунтом — с комиссией и риском блокировки в придачу.
Способы входа различаются по трудозатратам и по тому, кто берёт на себя платёж.
- Grok Build и Cursor. Основной путь попробовать: интерфейс готов, удвоенный лимит на первой неделе, оплата внутри редактора.
- API напрямую — ключ в консоли на docs.x.ai, тарификация по токенам, CLI ставится установочным скриптом одной командой.
- OpenRouter, Vercel, Cloudflare дают вход через посредника: проще со счетами и оплатой, но добавляется наценка и задержка.
Для серверных сценариев партнёрские платформы удобнее: счёт в одной валюте, предсказуемый биллинг, не нужно держать собственный прокси до эндпоинтов xAI. Для быстрой пробы хватает Cursor, где лимит первой недели снимает вопрос о расходе токенов, а сравнение с Grok 4.5 делается в том же окне без дополнительных настроек.
Бюджет считается по выходным токенам. Агентная траектория на сотню шагов с перепроверкой упирается в них гораздо чаще, чем короткий запрос: $6 против $2 за миллион переворачивает структуру счёта на длинных цепочках. Быстрый вариант вдвое дороже и оправдан там, где пауза в работе стоит дороже токенов.
Безопасность и границы применимости
Защитные механизмы откалибровали под выросшие возможности модели, а предрелизное тестирование назвали самым масштабным в истории компании, добавив послерыночные и сторонние проверки. В релизе перечислены области, где защиты настраивали особенно аккуратно: патчинг уязвимостей, ускорение инженерного проектирования, помощь в AI-исследованиях.
Для команд, работающих с чувствительным кодом, отсюда следует простая вещь. Агент с правом записи в репозиторий и доступом к внутренним сервисам требует того же режима изоляции, что и любой внешний исполнитель: отдельная ветка, ограниченные права, обязательный просмотр изменений перед слиянием. Калибровка защит снижает риск вредоносного вывода, но не отменяет ошибок в логике и не заменяет ревью.
Когда вариант не подходит. Если задача — надёжная автоматизация рутины в терминале, отставание по Terminal-Bench v3.0 остаётся главным аргументом против. Если нужен строгий юридический или отраслевой разбор, Harvey LAB хоть и впереди конкурентов, но абсолютный результат говорит о том, что выводы всё равно проверяет человек.
С чего начать на этой неделе
Первый шаг — взять одну реальную задачу из текущей работы, а не демо. Кодовая база средней величины, знакомый репозиторий, конкретная правка на пять-десять шагов: на таком материале видно и выносливость цепочки, и готовность модели проверять себя без напоминаний.
Дальше прогнать ту же задачу на Grok 4.5 и сравнить число вмешательств по ходу, а не итоговый файл. Заодно посчитать израсходованные выходные токены — при переходе с чата на агента это основная статья расходов. Если выигрыш по вмешательствам меньше двух раз, спешить с переводом процессов не стоит, а удвоенный лимит первой недели лучше потратить на самые шумные участки работы.
