GPT-6.1 Sol מול Grok 4.6: בעיית Accept-Header, ופער של 35 נקודות שאינו אמיתי

בשוק המודלים הנוכחי יש זיווג שבו דווקא האפשרות הזולה מנצחת באופן מוחלט במבחן המדעי הקשה ביותר, ובכל זאת כל ההשוואה לא נוטה לטובתה. Grok 4.6, הדגל של SpaceXAI מאז 2026-08-12, משיג 94.9% ב-GPQA Diamond — שאלות מדע ברמת תואר שני — לעומת 42.9% ב-Humanity's Last Exam עבור אותו מודל, והוא עולה $2.00 למיליון טוקנים בקלט ו-$6.00 למיליון טוקנים בפלט. GPT-6.1 Sol, ההשקה של Open​AI מ-2026-09-29, משיג 52.9% באותה ערכת HLE וגובה $10.00 למיליון טוקנים בפלט. אז Grok 4.6 טוב יותר בדבר קשה אחד, זול יותר בכל שורה במחירון, ובכל זאת דווקא בחצי השני של ההשוואה שוכנת הבעיה המעניינת: לא תמיד נשאלת אותה שאלה בפני שני המודלים.

המספרים שלהלן הם מדידות של Artificial Analysis שנרשמו ברשומות המודל שלנו עבור שני המודלים, נתוני ספקים היכן שסומן, ונתוני ההגשה שלנו. שם המעריך והתאריך מצוינים בכל מקום שבו נתון עלול להיות דו-משמעי.

מספר הגרסה שעושה את העבודה

התחל עם המספרים שנראים כמו תבוסה מוחצת אך אינם כאלה. Artificial Analysis מריצה שני בנצ'מרקים של סוכני טרמינל, והיא נתנה ציון לשני המודלים בכל אחד מהם:

• Terminal-Bench 2.1 — Grok 4.6 משיג ציון של 88.39%; GPT-6.1 Sol אינו מופיע בגרסה זו.

• Terminal-Bench 4.0 — Grok 4.6 מקבל ציון של 21.21%; GPT-6.1 Sol מקבל ציון של 56.06%.

קרא רק את השורה השנייה ו-Grok 4.6 נראה שאינו מסוגל להשלים משימה במעטפת. קרא את שתי השורות ומתברר שההבדל הוא ברתמת ההערכה, לא במודל. Terminal-Bench 4.0 הוא גרסה קשה יותר של אותו רעיון, ושני המודלים קיבלו בו ציון בזמנים שונים — הרשומה של GPT-6.1 Sol ב-Artificial Analysis נושאת תאריך הערכה של 2026-09-28, וזו של Grok 4.6 נושאת 2026-08-12. פער של 35 נקודות בין שני מודלים שנמדדו בהפרש של שישה שבועות זה מזה במדד שעודכן בתוך אותו חלון אינו ראיה שאחד מהם אינו יכול להשתמש במסוף. זו ראיה לכך שלא כדאי להשוות בין שני התאים האלה.

הגרסה הכנה של ההשוואה האייג'נטית היא הצרה יותר: Grok 4.6 משיג 88.39% ב-Terminal-Bench 2.1, ואין נתון של GPT-6.1 Sol בגרסה הזו להעמיד לצידו. זהו חור בראיות, ושאר המאמר הזה מתייחס אליו ככזה.

מה הם השניים

Grok 4.6 הוא ספינת הדגל הנוכחית של סדרת Grok, ומופיע כ"Latest" בתיעוד המפתחים של SpaceXAI עצמה, כשהוא ממשיך את Grok 4.5 עם אותו חלון הקשר של 500,000 טוקנים ואותם משטחי קלט של טקסט, תמונה וקבצים. הוא תומך במאמץ חשיבה ניתן להגדרה, בקריאה ילידית לכלים, בפלטים מובנים ובמכלול אפשרויות הדגימה — temperature, top_p, seed, logprobs, penalties — וזה פרט משמעותי: בשונה מ-GPT-6.1 Sol, הוא מקבל temperature.

GPT-6.1 Sol הוא תמונת מצב בודדת — gpt-6.1-sol, ללא גרסה מתוארכת — עם חלון הקשר של 1,050,000 טוקנים, פלט מרבי של 128,000, אותו משטח קלט לטקסט, לתמונות ולקבצים, וחמש רמות מאמץ שברירת המחדל שלהן היא בינונית. הוא אינו מקבל temperature או top_p; הדגימה מוחלפת בחוגת המאמץ.

שורות המפרט, זו לצד זו, בממדים שבהם הן נבדלות:

• חלון הקשר — 1,050,000 טוקנים עבור GPT-6.1 Sol לעומת 500,000 עבור Grok 4.6. GPT-6.1 Sol הוא קצת יותר מפי שניים מהחלון.

• פלט מקסימלי — 128,000 טוקנים עבור GPT-6.1 Sol; תקרת הפלט של Grok 4.6 אינה מפורסמת ברשומת הקטלוג שלנו עבורו, שזהו שדה שמעולם לא אוכלס ולא אפס.

• פרמטרי דגימה — temperature, top_p, seed ופרמטרי העונש פועלים ב-Grok 4.6 ונדחים על ידי GPT-6.1 Sol.

• מחיר בסיס — $2.00/$6.00 עבור Grok 4.6 לעומת $2.00/$10.00 עבור GPT-6.1 Sol, בתוך השכבות הראשונות של שני המודלים.

חמישה צירים, כיוון ברור אחד

שני המודלים חולקים מספיק מדידה בלתי תלויה כדי שניתן יהיה להשוות אותם כראוי, וצורת התוצאה עקבית:

• AA Intelligence Index — GPT-6.1 Sol 51.8, מקום 10 מתוך 147, באחוזון ה-93.2; Grok 4.6 44.3, מקום 20, באחוזון ה-86.4.

• המבחן האחרון של האנושות — 52.9% לעומת 42.9%. עשר נקודות, GPT-6.1 Sol.

• אחזור בהקשר ארוך — 83% לעומת 80.33%.

• SciCode — 54.2% לעומת 56.5%. Grok 4.6 ביתרון של 2.3 נקודות, הציר היחיד מבין הארבעה שבו הוא מוביל.

• GPQA Diamond — GPT-6.1 Sol אינו מופיע בציר זה ברישומים שלנו; Grok 4.6 משיג 94.9%, המספר היחיד החזק ביותר בכרטיס שלו.

שניים מהצירים של Grok 4.6 אינם נמדדים בצד של GPT-6.1 Sol, ואחד מהצירים של GPT-6.1 Sol אינו נמדד בצד של Grok 4.6. זו הצורה הסטנדרטית של השוואה בין מודלים שנבחנו לפי לוחות זמנים שונים, והדרך להתמודד עם זה היא להשאיר את התאים ריקים ולא למלא אותם מתוך מצגת ההשקה.

אנחנו חייבים התאמה אחת ב-Intelligence Index. סיקור קודם בבלוג הזה הציב את Grok 4.6 ב-61 באותו מדד. הרשומה הנוכחית שלנו כוללת שורה נוספת עם הערך הזה, לצד הנתון 44.3 שלמעלה — המדד תוקן וקיבל ניקוד מחדש, ושתי הקריאות קיימות עבור אותו מודל. כל מי שמצטט את מיקומו של Grok 4.6 במדד צריך לציין לאיזו גרסה הוא מתכוון, מפני שההבדל בין 61 ל-44.3 גדול מהפער שכל המאמר הזה עוסק בו.

כרטיס התעריף, והשלב שבתוכו

Grok 4.6 זול יותר בכל קו בסיס, ויש לו רשימה ארוכה יותר של קווים. כרטיס התעריפים שלו:

• עד 200,000 אסימוני פרומפט — $2.00 קלט, $6.00 פלט, $0.50 קלט במטמון.

• מעל 200,000 טוקנים בפרומפט — כל הבקשה מתומחרת מחדש ל-$4.00 עבור קלט, $12.00 עבור פלט, $1.00 עבור קלט שמור במטמון.

GPT-6.1 Sol's:

• עד 272,000 אסימוני פרומפט — $2.00 קלט, $10.00 פלט, $0.10 קלט במטמון, $2.50 כתיבה למטמון.

• מעל 272,000 טוקנים בפרומפט — הבקשה כולה מתומחרת מחדש ל־4.00$ קלט, 15.00$ פלט, 0.20$ קלט במטמון, 5.00$ כתיבה למטמון.

גם שלב, וגם שני השלבים נופלים באותו אזור של אורך הפרומפט — אבל שימו לב מה השלבים עושים לפער המרכזי. בתוך המדרגה הראשונה, הפלט של Grok 4.6 זול ב-40 אחוז. מעל השלב, ב-$12.00 לעומת $15.00, הוא זול ב-20 אחוז. ובקלט שמור במטמון, הסדר מתהפך לחלוטין: ה-$0.10 למיליון של GPT-6.1 Sol הוא חמישית מ-$0.50 של Grok 4.6 לפני השלב ועשירית ממנו אחריו.

עבור עומס עבודה סוכני שקורא מחדש קידומת קבועה ארוכה בכל תור — מאגר קוד, מערך חוזים, תמלול ארוך — שורת המטמון הזו שווה יותר מתעריף הבסיס, והיא מצביעה בכיוון ההפוך. עבור עומס עבודה שמייצר הרבה פלט מפרומפט קצר, ה-$6.00 של Grok 4.6 הוא הקו שמכריע.

נתוני ההגשה שלנו, ומדוע יש להתעלם מחלק מהם

הקטלוג של OrcaRouter כולל פאנל שירות של שבעה ימים עבור כל מודל, ובאחד משני אלה הוא ארטיפקט ולא מדידה. הפאנל של Grok 4.6 מציג השהיית p50 של 6,250 מילישניות ושיעור שגיאה של 56.76%, בחלון שבו סיפק 1,212,441 טוקנים. הפאנל של GPT-6.1 Sol מציג p50 של 2,442 מילישניות, 95.57 טוקני פלט לשנייה, שיעור שגיאה של 6.36%, ו-421,752,431 טוקנים שסופקו באותם שבעה ימים.

מספרי התנועה הם אלה שצריך לקרוא קודם, כי הם מסבירים את השאר. מודל שסיפק 1.2 מיליון טוקנים במהלך שבוע הוא מדגם דק מדי מכדי ששיעור שגיאה יאמר משהו — בנפח כזה, שיעור של 56.76% משקף כמה עשרות ניסיונות, לא איכות שירות, והתייחסות אליו כראיה ש-Grok 4.6 אינו אמין היא בעצם לפרש ממצא מדידה כמדידה. לפאנל GPT-6.1 Sol שלנו יש בערך פי 350 תנועה מאחוריו, מה שהופך אותו למספר שמיש לגבי משתמשי מגרש המשחקים שלנו, ועדיין לא לתכונה של המודל.

מה שאנחנו לא יכולים לספר לך

שלושה דברים חסרים בהשוואה הזו, ואף אחד מהם לא ניתן למלא בטיעון.

הראשון הוא ציון סוכן-טרמינל באותה גרסה עבור שני המודלים. עד ש-Artificial Analysis תעניק ציון ל-Grok 4.6 ב-Terminal-Bench 4.0, או ל-GPT-6.1 Sol ב-2.1, ההשוואה בתחום הסוכנים נשענת על המספר של מודל אחד ועל השתיקה של מודל אחד. כל מי שאומר לך שהפער של 56.06% מול 21.21% הוא פער ביכולות מצטט הבדל בין רוויזיות.

השני הוא תקרת הפלט של Grok 4.6. השדה אינו מדוד ברשומה שלנו, ולכן לעומס עבודה שתלוי בתגובות בודדות ארוכות במיוחד אין מספר מפורסם שאפשר לתכנן לפיו בצד הזה.

השלישי הוא מה עולים שני המודלים לכל משימה שהושלמה. ה-playground שלנו מדווח על עלות ממוצעת למשימה עבור Claude Opus 5; הוא אינו מדווח על עלות כזו עבור אף אחד משני אלה, ומחירי הטוקנים שלמעלה הם קלטים למספר הזה ולא המספר עצמו. הנתונים שמדווח הספק של Open​AI עצמה עבור GPT-6.1 Sol מתארים שיפורים בעלות למשימה — Terminal-Bench Science 0.1 ב-$5.47 למשימה לעומת $23.21 עבור Claude Opus 5.5 ו-$23.80 עבור GPT-6 Astra, במאמץ מרבי — אבל אלה המספרים של Open​AI על ההרנס של Open​AI, איש מבחוץ לא שחזר אותם, והם לא אומרים דבר על Grok 4.6.

הבחירה

שני המודלים מנותבים ב-OrcaRouter במחיר המחירון של הספק עם 0% תוספת — openai/gpt-6.1-sol במחיר $2.00/$10.00 עם $0.10 עבור קלט נשמר במטמון, ומדרגת מעל 272K מיושמת בדיוק כפי ש-OpenAI קובעת אותה, וgrok/grok-4.6 במחיר $2.00/$6.00 עם מדרגת מעל 200K מיושמת בדיוק כפי ש-SpaceXAI קובעת אותה. מפתח אחד מגיע לשניהם, התמחור עוקב אחרי הספק באותו יום שבו הוא משתנה ולא במחזור החיוב הבא, ומעבר אוטומטי לגיבוי יושב מתחת לפני השטח, כך שהמודל הזול יותר יכול להחזיק נתיב בלי להיות הדבר היחיד שמחזיק אותו.

אם עומס העבודה הוא בצורת שאלות ועמוס בפלט — אחזור ומענה, יצירה בהיקף, כל דבר שלעולם לא גדל מעבר ל-200,000 טוקנים של פרומפט — Grok 4 הוא הקנייה הטובה יותר לפי מחירון התעריפים, ב-40 אחוזים בשורה שחשובה, וה-GPQA Diamond שלו עם 94.9% הוא נתון בלתי תלוי, לא טענה.

אם עומס העבודה הוא סוכני, ארוך-פרומפט או עתיר-מטמון, GPT-6.1 Sol הוא ברירת המחדל הבטוחה יותר: הוא מוביל בכל ציר עצמאי שהשניים חולקים למעט SciCode, קריאות המטמון שלו עולות חמישית מאלה של Grok 4.6, ותקרת הפלט המפורסמת שלו היא מספר שאפשר לתכנן לפיו. חלון ה-500,000 טוקנים של Grok 4.6 הוא נדיב, וחלון ה-1,050,000 טוקנים של GPT-6.1 Sol הוא כפול ממנו — אבל בפרומפט ארוך באמת, שניהם כבר נכנסו עד אז למדרגות המוכפלות שלהם, וזה המקום שבו פער המחירים מצטמצם ל-20 אחוז ומפסיק להיות הסיבה לבחור באחד מהם.

המסקנה שמחזיקה מעמד לנוכח הראיות: Grok 4.6 הוא המודל הזול יותר, ו-GPT-6.1 Sol הוא המתון יותר, והפער של 35 נקודות בבנצ'מרק הטרמינל שמסתובב הוא השוואה בין שתי גרסאות שונות של הבנצ'מרק, ולא בין שני מודלים.