GPT-6.1 Sol 対 Grok 4.6：Accept-Header 問題、そして実在しない35ポイントのギャップ

現在のモデル市場には、安価な選択肢が最も難関な科学ベンチマークで完全に勝利しながら、比較全体ではそれでも有利にならない、という組み合わせが存在する。Grok 4.6は2026-08-12以降SpaceXAIのフラッグシップであり、大学院レベルの科学問題であるGPQA Diamondで94.9%を記録する一方、同じモデルのHumanity's Last Examでは42.9%にとどまる。価格は100万入力トークンあたり$2.00、100万出力トークンあたり$6.00だ。GPT-6.1 SolはOpen​AIが2026-09-29にリリースしたモデルで、同じHLEセットで52.9%を記録し、100万出力トークンあたり$10.00を請求する。つまりGrok 4.6は一つの難しい課題でより優れ、料金表のどの行でも安い。それなのに、この比較の後半こそが興味深い問題の在り処なのだ。二つのモデルは必ずしも常に同じ問いを投げかけられているわけではない。

以下の数値は、両モデルについて当社自身のモデル記録に掲載された Artificial Analysis の測定値、ラベルが付されている場合はベンダー数値、および当社自身のサービングデータです。数値が曖昧になり得る場合は、評価者と日付を明記しています。

実際に機能を担うバージョン番号

一方的な敗北のように見えて、そうではない数字から始めよう。Artificial Analysis は2つのターミナルエージェント・ベンチマークを実施しており、それぞれについて両モデルを採点している：

• Terminal-Bench 2.1 — Grok 4.6 は 88.39% を記録。GPT-6.1 Sol はこのバージョンには掲載されていません。

• Terminal-Bench 4.0 — Grok 4.6 は 21.21%、GPT-6.1 Sol は 56.06% を記録。

2行目だけを読むと、Grok 4.6 はシェルでタスクを完了できないように見える。両方を読めば、違いはモデルではなくハーネスにあることが明らかになる。Terminal-Bench 4.0 は同じ発想のより難しい改訂版であり、2つのモデルは異なる時期にそれで採点された——GPT-6.1 Sol の Artificial Analysis 記録には評価日 2026-09-28 が付いており、Grok 4.6 の記録には 2026-08-12 が付いている。その期間内に改訂されたベンチマークで、6週間離れて測定された2つのモデル間の35ポイント差は、どちらかがターミナルを使えないことの証拠ではない。それは、その2つのセルを比較すべきではないという証拠である。

エージェント的比較の誠実なバージョンは、より限定的なものだ。Grok 4.6はTerminal-Bench 2.1で88.39%を記録しており、そのバージョンには、並べて比較できるGPT-6.1 Solの数値が存在しない。これは証拠の欠落であり、本記事の残りの部分もそれを欠落として扱う。

その二人が何であるか

Grok 4.6はGrokシリーズの現行フラッグシップであり、SpaceXAI自身の開発者ドキュメントに「Latest」として記載され、Grok 4.5の後継として、同じ500,000トークンのコンテキストウィンドウと、同じテキスト・画像・ファイルの入力サーフェスを備えています。設定可能な推論エフォート、ネイティブのツール呼び出し、構造化出力、そして完全なサンプリングサーフェス — temperature、top_p、seed、logprobs、ペナルティ — をサポートしています。これは重要な詳細です。GPT-6.1 Solとは異なり、temperatureを受け付けます。

GPT-6.1 Solは単一のスナップショットです — gpt-6.1-sol、日付付きのバリアントはありません — 1,050,000トークンのコンテキストウィンドウ、最大出力128,000、同じテキスト、画像、ファイル入力サーフェス、そしてデフォルトがmediumの5つのエフォートレベルを備えています。temperatureやtop_pは受け付けません。サンプリングはエフォートダイヤルに置き換えられています。

仕様の行を、異なる項目について横並びで示します：

• コンテキストウィンドウ — GPT-6.1 Solでは1,050,000トークン、Grok 4.6は500,000トークン。GPT-6.1 Solはウィンドウがちょうど2倍を少し超えています。

• 最大出力 — GPT-6.1 Sol は 128,000 トークン。Grok 4.6 の出力上限は、当社のカタログ記録には掲載されていません。これはゼロではなく、そもそも値が一度も入力されていないフィールドだからです。

• サンプリングパラメータ — temperature、top_p、seed、およびペナルティパラメータは Grok 4.6 では機能し、GPT-6.1 Sol では拒否されます。

• 基本料金 — Grok 4.6は$2.00/$6.00、GPT-6.1 Solは$2.00/$10.00で、いずれも両モデルの第1ティア内。

五つの軸、一つの明確な方向性

2つのモデルは、適切に比較するのに十分な独立した測定値を共有しており、結果の形状は一貫している：

• AA Intelligence Index — GPT-6.1 Sol 51.8、147件中10位、93.2パーセンタイル；Grok 4.6 44.3、20位、86.4パーセンタイル。

• Humanity's Last Exam — 52.9% 対 42.9%。10ポイント差、GPT-6.1 Sol。

• 長文コンテキスト想起 — 83% 対 80.33%。

• SciCode — 54.2%対56.5%。Grok 4.6が2.3ポイント上回り、これら4つの軸のうち、唯一それがリードする軸です。

• GPQA Diamond — 当社の記録では、GPT-6.1 Sol はこの軸に掲載されていません。Grok 4.6 は 94.9% を記録しており、これはそのカード上で最も強い数値です。

Grok 4.6の2つの軸はGPT-6.1 Sol側では測定されず、GPT-6.1 Solの軸の1つはGrok 4.6側では測定されない。これは異なるスケジュールで評価されたモデル間の比較の標準的な形であり、対処法は、発表用デッキから埋めるのではなく、セルを空欄のままにすることだ。

Intelligence Index について、1つ照合しておくべきことがあります。このブログの以前の記事では、同じインデックス上で Grok 4.6 を 61 としていました。現在の記録には、上記の 44.3 という数値と並んで、その値を持つ追加行が含まれています — インデックスは改訂され、再スコアリングされており、同じモデルについて両方の読みが存在します。Grok 4.6 のインデックス上の位置を引用する人は、どの改訂版を指しているのかを明示すべきです。なぜなら、61 と 44.3 の差は、この記事全体が扱っている隔たりよりも大きいからです。

料金表、およびその中のステップ

Grok 4.6 はすべての基本ラインでより安く、ライン数もより多くなっています。その料金表：

• 最大200,000プロンプトトークン — 入力$2.00、出力$6.00、キャッシュ入力$0.50。

• プロンプトトークンが200,000を超える場合 — リクエスト全体が再価格設定され、入力$4.00、出力$12.00、キャッシュ済み入力$1.00となります。

GPT-6.1 Sol's：

• 最大272,000プロンプトトークン — 入力 $2.00、出力 $10.00、キャッシュ入力 $0.10、キャッシュ書き込み $2.50。

• 272,000プロンプトトークンを超える場合 — リクエスト全体が、入力$4.00、出力$15.00、キャッシュ済み入力$0.20、キャッシュ書き込み$5.00に再価格設定されます。

どちらの段階も、そして両方の段階が同じプロンプト長の領域に収まる — ただし、これらの段階が主要な価格差に何をもたらすかに注目してほしい。最初のティア内では、Grok 4.6 の出力は40パーセント安い。段階を超えると、$12.00 対 $15.00 で、20パーセント安い。そしてキャッシュされた入力では、順序が完全に逆転する。GPT-6.1 Sol の100万あたり $0.10 は、段階前の Grok 4.6 の $0.50 の5分の1であり、段階後は10分の1である。

毎ターン長い固定プレフィックスを読み直すエージェント型ワークロード — リポジトリ、契約書一式、長い文字起こし — では、そのキャッシュ行は基本レート以上の価値があり、逆方向を示している。短いプロンプトから大量の出力を生成するワークロードでは、Grok 4.6 の $6.00 がそれを決める境界線だ。

当社独自のサービングデータ、そしてその一部を無視すべき理由

OrcaRouterのカタログには各モデルについて7日間の提供状況パネルが掲載されており、この2つのうち一方では、それは測定値ではなくアーティファクトである。Grok 4.6のパネルには、p50レイテンシが6,250ミリ秒、エラー率が56.76%と表示されており、その対象期間中に1,212,441トークンを処理した。GPT-6.1 Solのパネルには、p50が2,442ミリ秒、毎秒95.57出力トークン、エラー率6.36%、そして同じ7日間で421,752,431トークンを処理したと表示されている。

まず読むべきなのはトラフィックの数値だ。それが残りを説明してくれるからだ。1週間で120万トークンを処理したモデルでは、サンプルが薄すぎてエラー率はほとんど意味を持たない。その規模では、56.76%という率は数十回の試行を反映しているにすぎず、サービスの品質を示すものではない。また、それをGrok 4.6が信頼できない証拠として扱うのは、測定のアーティファクトを測定値として読むことにほかならない。私たちのGPT-6.1 Solパネルには、その約350倍のトラフィックが背後にあり、これは私たちのプレイグラウンド利用者についての使える数値ではあるが、依然としてモデルそのものの性質ではない。

お伝えできないこと

この比較には三つの点が欠けており、そのいずれも議論によって補うことはできない。

最初のものは、両モデルについて同一バージョンのターミナルエージェントスコアだ。Artificial AnalysisがGrok 4.6をTerminal-Bench 4.0で評価するまで、あるいはGPT-6.1 Solを2.1で評価するまで、エージェント能力の比較は一方のモデルの数値と一方のモデルの沈黙に依拠している。56.06%対21.21%の開きを能力差だと言う人は、リビジョンの違いを挙げているにすぎない。

2つ目はGrok 4.6の出力上限です。この項目は当方の記録では未計測のため、非常に長い単一応答に依存するワークロードには、その側で計画を立てるための公表された数値がありません。

三つ目は、両モデルが完了したタスク1件あたりに実際にかかるコストです。私たちのプレイグラウンドは、Claude Opus 5についてタスクあたりの平均コストを報告していますが、この2つのどちらについても報告しておらず、上記のトークン価格はその数値そのものではなく、その数値への入力値です。OpenAIがベンダーとして自ら報告したGPT-6.1 Solの数値は、タスクあたりコストの改善を示しています——最大エフォート時で、Terminal-Bench Science 0.1はタスクあたり5.47ドル、Claude Opus 5.5は23.21ドル、GPT-6 Astraは23.80ドル——しかし、それらはOpenAIのハーネス上でのOpenAIの数値であり、外部の誰も再現しておらず、Grok 4.6については何も述べていません。

その選択

両モデルはOrcaRouter上で、プロバイダーの定価に0%のマークアップでルーティングされています — openai/gpt-6.1-solは$2.00/$10.00、キャッシュ入力は$0.10で、272K超のティアはOpenAIが設定したとおりに正確に適用され、grok/grok-4.6は$2.00/$6.00で、200K超のティアはSpaceXAIが設定したとおりに正確に適用されます。1つのキーで両方にアクセスでき、料金は次の請求サイクルではなく、ベンダーが変更した当日に追従し、その下では自動フェイルオーバーが機能しているため、より安価なモデルが経路を維持できますが、それを支える唯一のものになることはありません。

ワークロードが質問形式で、出力が多く、つまり検索と回答、大量の生成、プロンプトが200,000トークンを超えて伸びることのないあらゆる用途なら、Grok 4.6のほうが料金表の上でより良い買い物であり、重要な項目で40パーセント優れており、その94.9%というGPQA Diamondの数値は独立した数字であって、主張ではありません。

ワークロードがエージェント的だったり、長文プロンプトだったり、キャッシュ依存が強かったりするなら、GPT-6.1 Sol がより安全な既定の選択だ。両者に共通する独立した軸のうち SciCode 以外のすべてで首位に立ち、キャッシュ読み取りコストは Grok 4.6 の5分の1で、公表されている出力上限は計画を立てる際に頼れる数値になっている。Grok 4.6 の500,000トークンのウィンドウは十分に大きく、GPT-6.1 Sol の1,050,000トークンのウィンドウはその2倍だ — しかし、本当に長いプロンプトでは、その時点で両者とも倍額のティアに踏み込んでおり、そこでは価格差が20パーセントまで縮まり、どちらかを選ぶ理由ではなくなる。

証拠に耐える結論はこうだ。Grok 4.6 はより安価なモデルであり、GPT-6.1 Sol はより慎重なモデルであり、世間に広く出回っている35ポイントのターミナルベンチマーク差は、2つのモデルの比較ではなく、2つの異なるベンチマークバージョンの比較である。