Grok 4.6 vs Claude Opus 5: Mismo 61, Dos Economías Diferentes

Artificial Analysis somete a cada modelo de vanguardia a las mismas nueve evaluaciones y publica la factura. En su Índice de Inteligencia, Grok 4.6 y Claude Opus 5 aterrizan en el mismo número, 61, lo que convierte esto en un duelo poco habitual donde el compuesto no puede decirte cuál usar. Lo que sí puede es una cifra menos famosa de la misma fuente: en el conjunto de trabajo de conocimiento AA-Briefcase, Grok 4.6 completó una tarea en aproximadamente 53 turnos y unos quinientos millones de tokens de entrada, mientras que Claude Opus 5 con esfuerzo máximo necesitó alrededor de 103 turnos y dos mil millones de tokens para el mismo trabajo. Esa es una brecha de cuatro a uno en el consumo de tokens entre dos modelos cuya puntuación principal es idéntica, y solo se hace visible cuando dejas de comparar fichas técnicas y empiezas a comparar facturas.

Ambos modelos son lanzamientos insignia actuales, lo que hace que esta sea una comparación limpia en lugar de un desajuste de generación. Grok 4.6 se lanzó el 12 de agosto de 2026 por SpaceXAI como un refinamiento de la base de Grok 4.5: la misma base de mezcla de expertos de 1,5 billones de parámetros, reentrenada con supervisión más prolongada y ejecuciones de aprendizaje por refuerzo orientadas a agentes de larga duración. Claude Opus 5 se lanzó el 24 de julio de 2026 por Anthropic como un buque insignia con marca de fecha fija, pensamiento adaptativo, una ventana de contexto de 1 millón de tokens y entrada de imágenes y archivos. Ocupan el mismo punto en el marcador independiente y puntos opuestos en la hoja de precios: $2 / $6 por millón de tokens para Grok 4.6 frente a $5 / $25 para Claude Opus 5. El trabajo interesante es averiguar qué mitad de esa frase determina tu elección de producción.

El 61 que esconde una brecha de eficiencia de cuatro a uno

El Índice de Inteligencia es un compuesto de nueve evaluaciones, lo cual es su fortaleza y su punto ciego. Un único número que promedia los puntajes de razonamiento, matemáticas, codificación y trabajo de conocimiento oculta cómo llega un modelo a ese resultado — y estos dos llegan de manera opuesta. La suite de trabajo de conocimiento profesional estilo maletín de Artificial Analysis es la ventana más clara a eso: mide tareas reales de horizonte largo, y registró a Grok 4.6 en aproximadamente 53 turnos y 0.5B de tokens de entrada por tarea, frente a Claude Opus 5 Max en alrededor de 103 turnos y 2B de tokens de entrada. En términos de economía por tarea, esa es la diferencia entre un modelo que termina un trabajo de investigación y producción en una cuarta parte de los tokens y uno que los consume por completo.

La causa es una decisión de diseño, no un error. Grok 4.6 fue entrenado específicamente para verificar su propio trabajo a medida que avanza y para detenerse cuando una subtarea está genuinamente completa — xAI describe las trayectorias largas de tareas con autoevaluación como el objetivo de entrenamiento. Claude Opus 5 está entrenado para profundidad de razonamiento y amplitud de conocimiento, y su comportamiento predeterminado es pensar más intensamente y consultar más de lo estrictamente necesario. Ambos son "modelos de razonamiento"; asignan el esfuerzo de manera diferente, y la asignación es la especificación que importa para las cargas de trabajo de agentes.

La brecha importa más para los agentes que llaman a un modelo en un bucle — agentes de investigación, agentes de código que ejecutan docenas de turnos, canalizaciones de documentos que procesan lotes durante la noche. Cada turno se factura, y cada token de entrada es contexto que debe reenviarse en la siguiente llamada. Un modelo que termina en 53 turnos con 0.5B tokens no solo es más barato por token; es más barato por tarea en aproximadamente un orden de magnitud que uno que toma 103 turnos con 2B tokens, antes incluso de multiplicar por el precio de lista.

La ficha técnica, ambos lados.

Donde difieren sobre el papel, cada uno en una línea:

• Intelligence Index — Grok 4.6 puntúa 61, en el puesto #6 de 184; Claude Opus 5 puntúa 61, compartiendo la cima de la tabla. Un empate, según Artificial Analysis.

• Precio de lista por 1M tokens — Grok 4.6 a $2 de entrada / $6 de salida (duplicándose a $4 / $12 para prompts con 200K tokens de entrada o más); Claude Opus 5 a $5 de entrada / $25 de salida, con un descuento por lotes del 50% a $2.50 / $12.50.

• Ventana de contexto — 500K tokens para Grok 4.6 frente a 1.000.000 para Claude Opus 5, la ventaja en especificaciones más clara que tiene cualquiera de los dos modelos.

• Salida máxima — Claude Opus 5 permite hasta 128K tokens de salida (300K mediante la API por lotes); el límite de salida de Grok 4.6 es menor, en el rango de una respuesta larga típica.

• Entradas — ambas aceptan texto e imagen; Claude Opus 5 también acepta archivos, y la entrada multimodal de Anthropic accede a los documentos de manera más directa.

• GDPVal-AA v2 (trabajo de conocimiento) — Grok 4.6 con 1,753 Elo frente a Claude Opus 5 con 1,852 Elo. Opus 5 se lleva la corona de calidad en trabajo de conocimiento en la métrica donde la eficiencia de maletín favoreció a Grok. [Artificial Analysis]

• CursorBench v3.2 — 69.9% para Grok 4.6 frente a 70.0% para Claude Opus 5, prácticamente a la par en el benchmark de agentes de codificación en el que se midieron ambos. [Artificial Analysis]

• Control de razonamiento — Claude Opus 5 expone un dial de esfuerzo de bajo a máximo y pensamiento adaptativo activado por defecto; Grok 4.6 expone el esfuerzo de razonamiento, pero está calibrado hacia un valor predeterminado que favorece trayectorias largas de agente.

El punto de ponerlos lado a lado es que ninguno de los dos modelos domina. Claude Opus 5 es el mejor generalista sobre el papel: más contexto, mayor límite de salida, entrada de archivos y mayor calidad en trabajo de conocimiento. Grok 4.6 es la mejor relación calidad-precio y el agente más eficiente. La única pregunta que queda es cuál de esos describe el trabajo que realmente tienes.

Dónde Claude Opus 5 se gana su prima

Las cifras de lanzamiento de Anthropic —reportadas por el proveedor, no reproducidas de forma independiente— sitúan a Claude Opus 5 en 96.0% en SWE-bench Verified y 79.2% en SWE-bench Pro, con una puntuación de 70.6% en OSWorld para uso de computadora. En el compuesto general, su 61 iguala a Grok 4.6, y en GDPVal-AA queda mediblemente por delante. En la práctica, esto se traduce en un modelo que se mantiene a la altura en todo el espectro de la jornada de un trabajador del conocimiento: redacción, análisis, razonamiento con documentos extensos, tareas que combinan imagen y texto, y programación, todo en un solo lugar con un millón de tokens de margen.

La ventana de contexto es la razón honesta para recurrir a él. Un límite de 500 000 tokens es amplio, pero no equivale a un código fuente completo más un corpus de investigación más los resultados intermedios de una sesión de agente prolongada. Los equipos que realizan análisis profundos de una sola pasada sobre corpus muy extensos —un repositorio completo, un año de presentaciones financieras, una larga pila de PDF— chocarán con el techo de Grok 4.6 y nunca alcanzarán el de Claude Opus 5. Para esas cargas de trabajo, el contexto adicional no es un lujo; es la diferencia entre abarcar el trabajo y tener que orquestar alrededor del límite.

Donde Grok 4.6 es la mejor compra

Voltea los mismos datos y Grok 4.6 es la mejor compra para pipelines de agentes, y no por un margen pequeño. Es 2.5× más barato en entrada y 4.2× más barato en salida frente al precio de lista de Opus 5, y su eficiencia de tokens por tarea lo multiplica: los números de AA-Briefcase sugieren aproximadamente 4× menos tokens y 2× menos turnos para el mismo resultado de trabajo de conocimiento. Multiplica 4× por 2.5× y una tarea que cuesta $1.00 con la economía de Opus 5 cuesta del orden de $0.10 con la de Grok 4.6 — antes de que los descuentos por lotes del lado de Opus cierren parte de la brecha.

En cuanto a la codificación agéntica específicamente, el resultado de DeepSWE 1.1 de Grok 4.6 mejoró del 54% al 65,9% entre las versiones 4.5 y 4.6, y su puntuación en CursorBench se sitúa a menos de medio punto de la de Opus 5, mientras autoverifica su propio trabajo en el proceso. Para un equipo que ejecuta miles de llamadas agénticas al día, donde cada llamada es un bucle de múltiples turnos, la economía por tarea y las trayectorias más cortas marcan la diferencia entre un producto viable y una tasa de consumo de caja. Ese es el argumento que xAI está presentando, y los datos independientes de eficiencia respaldan esa dirección.

La decisión de enrutamiento

Este es el escenario en el que un enrutador se gana su sustento, porque la respuesta correcta es "ambos, con la división definida por la forma de la carga de trabajo." Grok 4.6 y Claude Opus 5 están ambos disponibles en OrcaRouter al precio de lista de cada proveedor — $2 / $6 para grok/grok-4.6, $5 / $25 para anthropic/claude-opus-5 — con un margen del 0%, por lo que el número en tu modelo de costos es el número que se factura. La infraestructura que hace viable esta división: una sola clave de API para ambos modelos, failover automático si el endpoint de un proveedor se degrada en medio de una ejecución de agente prolongada, y un DSL de enrutamiento que puede enviar turnos cortos y de alto volumen a Grok 4.6 y escalar el trabajo de horizonte largo y con gran demanda de contexto a Claude Opus 5 dentro de una sola llamada. No necesitas un segundo contrato para ejecutar una arquitectura de dos niveles, y puedes reajustar la división a medida que llegan datos de tráfico reales en lugar de adivinar a partir de las fichas técnicas de los modelos.

La lectura honesta

El empate en el índice compuesto es real y es una trampa. Los modelos con la misma puntuación no son intercambiables; se diferencian precisamente donde la puntuación es ciega. Claude Opus 5 es la opción predeterminada más segura para trabajos de conocimiento amplios, con mucho contexto y basados en documentos e imágenes, donde una ventana de 1M de tokens y un razonamiento profundo importan más que el costo. Grok 4.6 es la mejor opción predeterminada para bucles de agentes de alto volumen, donde la eficiencia de tokens por tarea y una ventaja de precio de 2,5× se combinan en una diferencia de factura de un orden de magnitud. Si tu carga de trabajo es la primera, paga por Opus 5 y deja de preocuparte por el precio. Si es la segunda, la paridad de 61 sobre el papel es la mejor razón que tendrás para probar Grok 4.6 primero: el benchmark dice que son iguales, y la factura dice que no lo son.