GPT-6.1 Sol vs Grok 4.6: El problema del encabezado Accept, y una brecha de 35 puntos que no es real

Hay un emparejamiento en el mercado actual de modelos en el que la opción más barata gana de forma contundente el benchmark científico más difícil, y aun así la comparación en conjunto no se inclina a su favor. Grok 4.6, el modelo insignia de SpaceXAI desde el 2026-08-12, obtiene un 94,9 % en GPQA Diamond —preguntas científicas de nivel de posgrado— frente a un 42,9 % en Humanity's Last Exam para el mismo modelo, y cuesta $2.00 por millón de tokens de entrada y $6.00 por millón de tokens de salida. GPT-6.1 Sol, el lanzamiento de Open​AI del 2026-09-29, obtiene un 52,9 % en ese mismo conjunto de HLE y cobra $10.00 por millón de tokens de salida. Así que Grok 4.6 es mejor en una tarea difícil, más barato en todas las líneas de la tarifa, y aun así la segunda mitad de esa comparación es donde reside el problema interesante: a los dos modelos no siempre se les pregunta lo mismo.

Las cifras que aparecen a continuación son mediciones de Artificial Analysis realizadas sobre nuestros propios registros de modelos para ambos modelos, cifras del proveedor cuando se indican como tales, y nuestros propios datos de servicio. Se indica el evaluador y la fecha siempre que una cifra pueda ser ambigua.

El número de versión que hace el trabajo

Empieza con los números que parecen una paliza y no lo son. Artificial Analysis ejecuta dos benchmarks de agentes de terminal, y ha puntuado ambos modelos en cada uno:

• Terminal-Bench 2.1 — Grok 4.6 obtiene un 88,39 %; GPT-6.1 Sol no aparece en esta versión.

• Terminal-Bench 4.0 — Grok 4.6 obtiene un 21,21 %; GPT-6.1 Sol obtiene un 56,06 %.

Lee solo la segunda fila y Grok 4.6 parece incapaz de completar una tarea en un intérprete de comandos. Lee ambas y queda claro que la diferencia está en el arnés de evaluación, no en el modelo. Terminal-Bench 4.0 es una revisión más difícil de la misma idea, y los dos modelos se puntuaron en él en momentos diferentes: el registro de Artificial Analysis de GPT-6.1 Sol tiene una fecha de evaluación del 2026-09-28, y el de Grok 4.6, del 2026-08-12. Una brecha de 35 puntos entre dos modelos medidos con seis semanas de diferencia en una prueba comparativa que se revisó dentro de ese intervalo no es evidencia de que uno de ellos no pueda usar una terminal. Es evidencia de que no deberías comparar esas dos celdas.

La versión honesta de la comparación agéntica es la más limitada: Grok 4.6 registra un 88,39% en Terminal-Bench 2.1, y no hay ninguna cifra de GPT-6.1 Sol en esa versión que pueda ponerse a su lado. Eso es un hueco en la evidencia, y el resto de este artículo lo trata como tal.

Qué son los dos

Grok 4.6 es el actual buque insignia de la línea Grok, listado como "Latest" en la propia documentación para desarrolladores de SpaceXAI, y sucede a Grok 4.5 con la misma ventana de contexto de 500.000 tokens y la misma superficie de entrada de texto, imagen y archivos. Admite esfuerzo de razonamiento configurable, llamada nativa a herramientas, salidas estructuradas y toda la superficie de muestreo —temperature, top_p, seed, logprobs, penalizaciones—, lo cual es un detalle significativo: a diferencia de GPT-6.1 Sol, acepta una temperature.

GPT-6.1 Sol es una instantánea única — gpt-6.1-sol, sin variante con fecha — con una ventana de contexto de 1.050.000 tokens, 128.000 de salida máxima, la misma superficie de entrada de texto, imagen y archivos, y cinco niveles de esfuerzo con valor predeterminado medio. No acepta temperature ni top_p; el muestreo se reemplaza por el dial de esfuerzo.

Las filas de especificaciones, una al lado de la otra, en las dimensiones en las que difieren:

• Ventana de contexto — 1.050.000 tokens para GPT-6.1 Sol frente a 500.000 de Grok 4.6. GPT-6.1 Sol es un poco más del doble de esa ventana.

• Salida máxima — 128.000 tokens para GPT-6.1 Sol; el techo de salida de Grok 4.6 no está publicado en nuestra ficha de catálogo para él, que es un campo que nunca se rellenó en lugar de un cero.

• Parámetros de muestreo — temperature, top_p, seed y los parámetros de penalización funcionan en Grok 4.6 y son rechazados por GPT-6.1 Sol.

• Precio base — $2.00/$6.00 para Grok 4.6 frente a $2.00/$10.00 de GPT-6.1 Sol, dentro de los primeros niveles de ambos modelos.

Cinco ejes, una dirección clara

Los dos modelos comparten suficientes mediciones independientes como para poder compararse correctamente, y la forma del resultado es consistente:

AA Intelligence — GPT-6.1 Sol 51,8, puesto 10 de 10, percentil 93,2; Grok 4.6 44,3, puesto 20, percentil 86,4.

• Humanity's Last Exam — 52,9% frente a 42,9%. Diez puntos, GPT-6.1 Sol.

• Recuperación de contexto largo — 83% frente a 80.33%.

SciCode — 54,2 % frente a 56,5 %. Grok 4.6 por 2,3 puntos, el único eje de estos cuatro en el que lidera.

• GPQA Diamond — GPT-6.1 Sol no figura en este eje en nuestros registros; Grok 4.6 obtiene un 94,9%, la cifra más alta de su ficha.

Dos de los ejes de Grok 4.6 quedan sin medir del lado de GPT-6.1 Sol, y uno de los ejes de GPT-6.1 Sol queda sin medir del lado de Grok 4.6. Esa es la forma estándar de una comparación entre modelos evaluados con calendarios diferentes, y la manera de manejarlo es dejar las celdas vacías en lugar de rellenarlas a partir de una presentación de lanzamiento.

Se debe una conciliación en el Intelligence Index. Una cobertura anterior en este blog situaba a Grok 4.6 en 61 en el mismo índice. Nuestro registro actual incluye una fila adicional con ese valor, junto con la cifra de 44.3 anterior — el índice se ha revisado y vuelto a puntuar, y ambas lecturas existen para el mismo modelo. Quien cite la posición de Grok 4.6 en el índice debería decir a qué revisión se refiere, porque la diferencia entre 61 y 44.3 es mayor que la brecha de la que trata todo este artículo.

La tarjeta de tarifas, y el paso dentro de ella

Grok 4.6 es más barato en cada línea base y tiene una lista de líneas más larga. Su tarjeta de tarifas:

• Hasta 200.000 tokens de prompt $2.00 de entrada, $6.00 de salida, $0.50 de entrada en caché.

• Más de 200,000 tokens de prompt — toda la solicitud se recalcula a $4.00 de entrada, $12.00 de salida y $1.00 de entrada en caché.

GPT-6.1 Sol's:

• Hasta 272.000 tokens de prompt — 2,00 $ de entrada, 10,00 $ de salida, 0,10 $ de entrada en caché, 2,50 $ de escritura en caché.

• Más de 272,000 tokens de prompt — toda la solicitud se recalcula a $4.00 de entrada, $15.00 de salida, $0.20 de entrada en caché, $5.00 de escritura en caché.

Tanto el paso como ambos pasos caen en la misma región de longitud del prompt — pero fíjate en lo que los pasos hacen con la brecha principal. Dentro del primer nivel, la salida de Grok 4.6 es un 40 por ciento más barata. Por encima del paso, a $12.00 frente a $15.00, es un 20 por ciento más barata. Y con la entrada en caché, el orden se invierte por completo: los $0.10 por millón de GPT-6.1 Sol son un quinto de los $0.50 de Grok 4.6 antes del paso y un décimo después de él.

Para una carga de trabajo agéntica que vuelve a leer un prefijo fijo largo en cada turno —un repositorio, un conjunto de contratos, una transcripción larga—, esa fila de caché vale más que la tarifa base, y apunta en la dirección opuesta. Para una carga de trabajo que genera mucha salida a partir de un prompt corto, los $6.00 de Grok 4.6 son la línea que lo decide.

Nuestros propios datos de servido, y por qué parte de ellos debería ignorarse

El catálogo de OrcaRouter incluye un panel de servicio de siete días para cada modelo, y en uno de estos dos es un artefacto en lugar de una medición. El panel de Grok 4.6 muestra una latencia p50 de 6.250 milisegundos y una tasa de error del 56,76 %, durante una ventana en la que sirvió 1.212.441 tokens. El panel de GPT-6.1 Sol muestra una p50 de 2.442 milisegundos, 95,57 tokens de salida por segundo, una tasa de error del 6,36 % y 421.752.431 tokens servidos en los mismos siete días.

Las cifras de tráfico son las que hay que leer primero, porque explican el resto. Un modelo que sirvió 1,2 millones de tokens durante una semana tiene una muestra demasiado escasa como para que una tasa de error signifique gran cosa: con ese volumen, una tasa del 56,76 % refleja unas pocas docenas de intentos, no una calidad del servicio, y tratarla como evidencia de que Grok 4.6 no es fiable sería leer un artefacto de medición como una medición. Nuestro panel de GPT-6.1 Sol tiene detrás aproximadamente 350 veces ese tráfico, lo que lo convierte en un número utilizable sobre los usuarios de nuestro playground y, aun así, no en una propiedad del modelo.

Lo que no podemos decirte

Faltan tres cosas en esta comparación, y ninguna de ellas puede suplirse con argumentos.

La primera es una puntuación de agente de terminal de la misma versión para ambos modelos. Hasta que Artificial Analysis puntúe Grok 4.6 en Terminal-Bench 4.0, o GPT-6.1 Sol en 2.1, la comparación agéntica se basa en el número de un modelo y el silencio del otro. Cualquiera que te diga que la diferencia de 56,06% frente a 21,21% es una brecha de capacidad está citando una diferencia de revisión.

El segundo es el techo de salida de Grok 4.6. Ese campo no está medido en nuestro registro, así que una carga de trabajo que dependa de respuestas individuales muy largas no tiene ninguna cifra publicada con la que planificar en ese lado.

En tercer lugar está cuánto cuestan realmente ambos modelos por tarea completada. Nuestro playground reporta un costo promedio por tarea para Claude Opus 5; no reporta uno para ninguno de estos dos, y los precios de tokens anteriores son datos de entrada para ese número, no el número en sí. Las cifras propias de OpenAI como proveedor para GPT-6.1 Sol describen mejoras en el costo por tarea —Terminal-Bench Science 0.1 a $5.47 por tarea frente a $23.21 de Claude Opus 5.5 y $23.80 de GPT-6 Astra, con esfuerzo máximo—, pero son cifras de OpenAI en el entorno de evaluación de OpenAI, nadie de fuera las ha reproducido, y no dicen nada sobre Grok 4.6.

La elección

Ambos modelos se enrutan en OrcaRouter al precio de lista del proveedor con un 0% de margen — openai/gpt-6.1-sola $2.00/$10.00 con $0.10 de entrada en caché y el tramo de más de 272K aplicado exactamente como lo establece OpenAI, y grok/grok-4.6a $2.00/$6.00 con el tramo de más de 200K aplicado exactamente como lo establece SpaceXAI. Una sola clave llega a ambos, los precios siguen al proveedor el mismo día en que cambian en lugar de hacerlo en el siguiente ciclo de facturación, y la conmutación por error automática está por debajo, para que el modelo más económico pueda mantener una ruta sin ser lo único que la sostiene.

Si la carga de trabajo tiene forma de preguntas y es intensiva en salida —recuperación y respuesta, generación en volumen, cualquier cosa que nunca supere los 200.000 tokens de prompt—, Grok 4.6 es la mejor compra según la lista de tarifas, por un 40 % en la línea que importa, y su 94,9 % en GPQA Diamond es una cifra independiente, no una afirmación.

Si la carga de trabajo es agéntica, de prompt largo o intensiva en caché, GPT-6.1 Sol es la opción predeterminada más segura: lidera en todos los ejes independientes que ambos comparten excepto SciCode, sus lecturas de caché cuestan una quinta parte de las de Grok 4.6, y su techo de salida publicado es una cifra con la que puedes planificar. La ventana de 500,000 tokens de Grok 4.6 es generosa, y la ventana de 1,050,000 tokens de GPT-6.1 Sol es el doble — pero con un prompt realmente largo, para entonces ambos ya han pasado a sus niveles duplicados, que es donde la diferencia de precio se reduce al 20 por ciento y deja de ser la razón para elegir cualquiera de los dos.

El veredicto que se sostiene ante la evidencia: Grok 4.6 es el modelo más barato y GPT-6.1 Sol es el más mesurado, y la diferencia de 35 puntos en el benchmark de terminal que circula es una comparación entre dos versiones distintas del benchmark, no entre dos modelos.