GPT-6.1 Sol vs Grok 4.6: il problema dell'Accept-Header e un divario di 35 punti che non è reale

C'è un'accoppiata nel mercato attuale dei modelli in cui l'opzione più economica vince nettamente il benchmark scientifico più difficile, e l'intero confronto continua comunque a non volgere a suo favore.Grok 4.6, l'ammiraglia di SpaceXAI dal 2026-08-12, ottiene il 94,9% su GPQA Diamond — domande scientifiche di livello post-laurea — contro il 42,9% su Humanity's Last Exam per lo stesso modello, e costa 2,00 $ per milione di input e 6,00 $ per milione di output.GPT-6.1 Sol, la release di Open​AI del 2026-09-29, ottiene il 52,9% su quello stesso set HLE e fa pagare 10,00 $ per milione di output. Quindi Grok 4.6 è migliore in una cosa difficile, più economico su ogni voce del listino, eppure la seconda metà di quel confronto è dove risiede il problema interessante: ai due modelli non viene sempre posta la stessa domanda.

I numeri riportati di seguito sono misurazioni di Artificial Analysis eseguite sui nostri record dei modelli per entrambi i modelli, valori dei fornitori ove etichettati, e i nostri dati di serving. Il valutatore e la data sono indicati ovunque un valore possa essere ambiguo.

Il numero di versione che fa il lavoro

Iniziamo con i numeri che sembrano una disfatta e non lo sono. Artificial Analysis gestisce due benchmark per agenti da terminale e ha valutato entrambi i modelli su ciascuno:

• Terminal-Bench 2.1 — Grok 4.6 ottiene 88,39%; GPT-6.1 Sol non è elencato in questa versione.

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

Leggi solo la seconda riga e Grok 4.6 sembra incapace di completare un'attività in una shell. Leggile entrambe e diventa chiaro che la differenza sta nell'infrastruttura di valutazione, non nel modello. Terminal-Bench 4.0 è una revisione più difficile della stessa idea, e i due modelli sono stati valutati su di essa in momenti diversi — il record di Artificial Analysis di GPT-6.1 Sol riporta una data di valutazione del 2026-09-28, quello di Grok 4.6 del 2026-08-12. Un divario di 35 punti tra due modelli misurati a sei settimane di distanza su un benchmark revisionato proprio in quella finestra non è prova che uno dei due non sappia usare un terminale. È prova che non dovresti confrontare quelle due celle.

La versione onesta del confronto agentico è quella più ristretta: Grok 4.6 registra l'88,39% su Terminal-Bench 2.1, e non esiste alcun dato di GPT-6.1 Sol su quella versione da mettergli accanto. Questa è una lacuna nelle prove, e il resto di questo articolo la tratta come tale.

Cosa sono i due

Grok 4.6 è l'attuale modello di punta della linea Grok, elencato come "Latest" nella documentazione per sviluppatori di xAI, successore di Grok 4.5 con la stessa finestra di contesto da 500.000 token e la stessa superficie di input per testo, immagini e file. Supporta uno sforzo di ragionamento configurabile, il tool calling nativo, output strutturati e l'intera superficie di campionamento — temperature, top_p, seed, logprobs, penalità — il che è un dettaglio significativo: a differenza di GPT-6.1 Sol, accetta una temperature.

GPT-6.1 Sol è un singolo snapshot — gpt-6.1-sol, nessuna variante con data — con una finestra di contesto di 1.050.000 token, 128.000 di output massimo, la stessa superficie di input per testo, immagini e file, e cinque livelli di effort con valore predefinito medium. Non accetta temperature o top_p; il campionamento è sostituito dal selettore di effort.

Le righe delle specifiche, affiancate, sulle dimensioni in cui differiscono:

• Finestra di contesto — 1.050.000 token per GPT-6.1 Sol contro 500.000 per Grok 4.6. GPT-6.1 Sol ha una finestra poco più del doppio.

• Output massimo — 128.000 token per GPT-6.1 Sol; il limite massimo di output di Grok 4.6 non è pubblicato nella nostra scheda di catalogo ad esso relativa, che è un campo mai compilato anziché uno zero.

• Parametri di campionamento — temperatura, top_p, seed e i parametri di penalità funzionano su Grok 4.6 e vengono rifiutati da GPT-6.1 Sol.

• Prezzo base — $2,00/$6,00 per Grok 4.6 contro $2,00/$10,00 per GPT-6.1 Sol, all'interno dei primi livelli di entrambi i modelli.

Cinque assi, una direzione chiara

I due modelli condividono abbastanza misurazioni indipendenti da poter essere confrontati adeguatamente, e la forma del risultato è coerente:

• AA Intelligence Index — GPT-6.1 Sol 51,8, posizione 10 su 147, 93,2° percentile; Grok 4.6 44,3, posizione 20, 86,4° percentile.

• Humanity's Last Exam — 52,9% contro 42,9%. Dieci punti, GPT-6.1 Sol.

• Richiamo su contesto lungo — 83% contro 80.33%.

• SciCode — 54,2% contro 56,5%. Grok 4.6 di 2,3 punti, l'unico asse di questi quattro in cui è in vantaggio.

• GPQA Diamond — GPT-6.1 Sol non è elencato su questo asse nei nostri archivi; Grok 4.6 ottiene il 94,9%, il singolo valore più forte sulla sua scheda.

Due degli assi di Grok 4.6 restano non misurati sul versante di GPT-6.1 Sol, e uno di quelli di GPT-6.1 Sol resta non misurato su quello di Grok 4.6. Questa è la forma standard di un confronto tra modelli valutati su calendari diversi, e il modo di gestirla è lasciare le celle vuote anziché riempirle da una presentazione di lancio.

Va fatta una riconciliazione sull'Intelligence Index. Una precedente trattazione su questo blog collocava Grok 4.6 a 61 sullo stesso indice. Il nostro registro attuale contiene una riga aggiuntiva con quel valore, accanto alla cifra 44,3 qui sopra — l'indice è stato revisionato e ricalcolato, ed entrambe le letture esistono per lo stesso modello. Chiunque citi la posizione di Grok 4.6 nell'indice dovrebbe dire a quale revisione si riferisce, perché la differenza tra 61 e 44,3 è più grande del divario di cui parla l'intero articolo.

Il listino prezzi e il passaggio al suo interno

Grok 4.6 è più economico su ogni linea base e ha un elenco di linee più lungo. Il suo tariffario:

• Fino a 200.000 token di prompt — 2,00 $ input, 6,00 $ output, 0,50 $ input in cache.

• Oltre 200.000 token del prompt — l'intera richiesta viene ritariffata a $4,00 di input, $12,00 di output, $1,00 di input memorizzato nella cache.

GPT-6.1 di Sol:

• Fino a 272.000 token di prompt — 2,00 $ in input, 10,00 $ in output, 0,10 $ input in cache, 2,50 $ scrittura in cache.

• Oltre 272.000 token di prompt — l'intera richiesta viene ricalcolata a $4,00 input, $15,00 output, $0,20 input in cache, $5,00 scrittura cache.

Entrambi gli step, ed entrambi gli step cadono nella stessa regione della lunghezza del prompt — ma nota cosa fanno gli step al divario principale. All'interno del primo livello, l'output di Grok 4.6 è più economico del 40%. Al di sopra dello step, a 12,00 $ contro 15,00 $, è più economico del 20%. E sull'input in cache, l'ordine si inverte completamente: gli 0,10 $ per milione di GPT-6.1 Sol sono un quinto degli 0,50 $ di Grok 4.6 prima dello step e un decimo dopo.

Per un carico di lavoro agentico che rilegge un lungo prefisso fisso a ogni turno — un repository, un insieme di contratti, una lunga trascrizione — quella riga della cache vale più della tariffa base, e punta nella direzione opposta. Per un carico di lavoro che genera molto output da un prompt breve, i 6,00 $ di Grok 4.6 sono la voce che decide.

I nostri stessi dati di serving, e perché una parte di essi dovrebbe essere ignorata

Il catalogo di OrcaRouter contiene un pannello di servizio di sette giorni per ciascun modello, e su uno di questi due è un artefatto anziché una misurazione. Il pannello di Grok 4.6 riporta una latenza p50 di 6.250 millisecondi e un tasso di errore del 56,76%, in una finestra in cui ha servito 1.212.441 token. Il pannello di GPT-6.1 Sol riporta un p50 di 2.442 millisecondi, 95,57 token di output al secondo, un tasso di errore del 6,36% e 421.752.431 token serviti negli stessi sette giorni.

I numeri del traffico sono quelli da leggere per primi, perché spiegano il resto. Un modello che ha servito 1,2 milioni di token nell'arco di una settimana ha un campione troppo esiguo perché un tasso di errore significhi molto: a quel volume, un tasso del 56,76% riflette qualche decina di tentativi, non una qualità del servizio, e interpretarlo come prova che Grok 4.6 non sia affidabile significherebbe scambiare un artefatto di misurazione per una misurazione. Il nostro pannello GPT-6.1 Sol ha alle spalle circa 350 volte tanto traffico, il che lo rende un numero utilizzabile riguardo ai nostri utenti del playground e comunque non una proprietà del modello.

Ciò che non possiamo dirti

Tre cose mancano da questo confronto, e nessuna di esse può essere colmata con un’argomentazione.

Il primo è un punteggio terminal-agent nella stessa versione per entrambi i modelli. Finché Artificial Analysis non valuta Grok 4.6 su Terminal-Bench 4.0, o GPT-6.1 Sol su 2.1, il confronto agentico si basa sul numero di un modello e sul silenzio dell'altro. Chiunque ti dica che lo scarto del 56,06% contro il 21,21% è un divario di capacità sta citando una differenza di revisione.

Il secondo è il tetto di output di Grok 4.6. Il campo non è misurato nel nostro registro, quindi un carico di lavoro che dipende da risposte singole molto lunghe non ha alcun numero pubblicato su cui basarsi per la pianificazione da quel lato.

Il terzo è quanto costano effettivamente entrambi i modelli per attività completata. Il nostro playground riporta un costo medio per attività per Claude Opus 5; non ne riporta uno per nessuno di questi due, e i prezzi dei token indicati sopra sono input di quel numero, non il numero stesso. Le cifre dichiarate dal fornitore stesso di Open​AI per GPT-6.1 Sol descrivono miglioramenti del costo per attività — Terminal-Bench Science 0.1 a 5,47 $ per attività contro 23,21 $ per Claude Opus 5.5 e 23,80 $ per GPT-6 Astra, al massimo sforzo — ma quelli sono i numeri di Open​AI sull'harness di Open​AI, nessuno all'esterno li ha riprodotti, e non dicono nulla su Grok 4.6.

La scelta

Entrambi i modelli sono instradati su OrcaRouter al prezzo di listino del fornitore con markup dello 0% — openai/gpt-6.1-sol a $2.00/$10.00 con input in cache a $0.10 e il tier oltre 272K applicato esattamente come lo definisce OpenAI, e grok/grok-4.6 a $2.00/$6.00 con il tier oltre 200K applicato esattamente come lo definisce SpaceXAI. Una sola chiave raggiunge entrambi, i prezzi seguono il fornitore lo stesso giorno in cui cambiano anziché al ciclo di fatturazione successivo, e il failover automatico resta alla base, così il modello più economico può mantenere un percorso senza essere l'unica cosa che lo sostiene.

Se il carico di lavoro è a forma di domanda e intensivo in termini di output — recupero e risposta, generazione in volume, qualsiasi cosa che non superi mai i 200.000 token di prompt — Grok 4.6 è l'acquisto migliore sul listino prezzi, del 40 per cento sulla voce che conta, e il suo 94,9% su GPQA Diamond è un dato indipendente, non un'affermazione.

Se il carico di lavoro è agentico, con prompt lunghi o con forte uso di cache, GPT-6.1 Sol è l'opzione predefinita più sicura: è in vantaggio su ogni asse indipendente che i due condividono, fatta eccezione per SciCode, le sue letture dalla cache costano un quinto di quelle di Grok 4.6, e il suo tetto di output pubblicato è un numero sul quale puoi pianificare. La finestra da 500.000 token di Grok 4.6 è generosa e la finestra da 1.050.000 token di GPT-6.1 Sol è il doppio, ma su un prompt davvero lungo entrambi sono ormai passati alle loro fasce raddoppiate, ed è qui che il divario di prezzo si restringe al 20 per cento e smette di essere il motivo per scegliere l'uno o l'altro.

Il verdetto che resiste alle prove: Grok 4.6 è il modello più economico e GPT-6.1 Sol è quello più misurato, e il divario di 35 punti nel benchmark da terminale che circola è un confronto tra due versioni diverse del benchmark, non tra due modelli.