Grok 4.6 vs DeepSeek V4 Pro：フロンティア価格戦争、24時間差の激突

2つのフロンティアモデルが24時間以内に相次いでリリースされ、その価格差はこの世代で最大の開きとなった。Grok 4.6は2026年8月12日に、入力トークン100万あたり2ドル、出力トークン100万あたり6ドルで登場。DeepSeek V4 Pro（D​eepSeekのフラッグシップ、バージョンDeepSeek-V4-Pro-0813の正式なプロダクションリリース）は2026年8月13日に続き、キャッシュミス入力トークン100万あたり3円、出力トークン100万あたり6円（およそ0.42ドルと0.85ドル）である。同じカテゴリー、同じエージェント的野心を持ちながら、価格は一桁違う。これは2つのスペックの比較ではない。エージェント型モデルの価格がどうあるべきかに関する2つの戦略の比較であり、その両方が今週リリースされた。

この記事は、2つの価格表を並べて見比べ、各ベンダーのベンチマーク主張をベンダー名を付けたまま読み解き、実際のワークロードでその差がどれだけのコストになるのかを算出する。というのも、書面上ではこれらのモデルは思想面よりも性能面で近く、タスクごとの価格差が決断の分かれ目になるからだ。

タイミングこそが要点だ。

両モデルが同じ48時間の枠内に登場したのは、カレンダーの偶然ではない。Grok 4.6は、SpaceXAIが1.5T基盤モデルをエージェント向けに作り直したものであり、コーディング、カーネル開発、CADにわたる強化学習を中心としたポストトレーニングの刷新として、同社が所有するCursorおよびGrok Bot製品を動かす燃料として価格設定されている。DeepSeek V4 Proは、数分の一の価格で「エージェント的」の意味を静かに再定義したプレビュー版を正式化したもので、エージェント経済向けにさらに強化されている。D​eepSeekの0813ビルドのリリースノートは、大幅に改善されたエージェント機能を筆頭に、Responses APIとCodex統合のサポートを追加し、思考モード（デフォルト）と非思考モードの両方、JSON出力、ツール呼び出し、Anthropic API形式を維持している。まったく異なる2つの企業が、2026年後半に重要となる市場はエージェントであると同時に結論を下し、それぞれの参入製品を大きく異なる価格帯に設定した。

2つの価格表を並べて

• Grok 4.6 — 100万トークンあたり$2.00 / $6.00 / $0.50（キャッシュ入力）、コンテキスト500K、約200K入力トークン超の$4 / $12 / $1ステップ、そして基本レートの2倍の価格のより高速なバリアント。

• DeepSeek V4 Pro — キャッシュミス入力は100万トークンあたり¥3.00（約$0.42）、キャッシュ済み入力は¥0.025（約$0.0035）、出力は¥6.00（約$0.85）。100万トークンのコンテキストウィンドウを備え、最大384Kトークンの出力に対応。より安価な兄弟モデルであるV4 Flashは¥1 / ¥2です。

すでに同世代で最安のフロンティアAPIであるGrok 4.6と比べても、DeepSeek V4 Proはキャッシュミス入力で約5分の1、出力で約7分の1のコストであり、同じ価格帯でありながら2倍のコンテキストウィンドウと、はるかに大きな最大出力を提供する。両者は価格で競争しているわけではない。DeepSeekが一方的に新たな下限を打ち立て、Grokは今や同じ文脈の中でプレミアムオプションとなった。この位置づけは重要である。というのも、以前の位置づけ——「Grok 4.6は安価なフロンティアモデルだ」——が正確に1日だけしか通用しなかったからだ。

DeepSeek V4 Proが実際に改善した点

D​eepSeekの発表数値は、自社のプレビュー版と比較されているため、最も劇的であり、プレビューからリリースへの跳躍は非常に大きい。ベンダー自身の評価では：

• DeepSWE — リリースビルドでは62.7%（プレビューの12.8%から上昇）— ベンダーがOpus 4.8の58.0%とClaude Fable 5の70.0%の間と位置づけるソフトウェアエンジニアリングの長期ホライゾンスコア。

• Cybergym — 83.3%、前回の52.7%から上昇し、Fable 5の83.1%をわずかに上回り、Opus 4.8の78.3%を凌駕しています。

• Terminal Bench 2.1は87.9%で、Fable 5の88.0%に1ポイント差まで迫り、Opus 4.8の85.0%を上回る。

• AutomationBench (public)31.8%で、12.8%から上昇し、Fable 5（29.1%）とOpus 4.8（27.2%）の両方を上回っています。

• Toolathlon-Verified、NL2Repo、DSBench-FullStack、および DSBench-Hardは、それぞれ74.1%、61.5%、71.1%、67.2%であり、Opus 4.8 / Fable 5 レベルに集中しているか、その近辺に位置しています。

それらはすべて、D​eepSeek自身の評価スイートでD​eepSeekが報告したものです。その方向性は明白で、プレビュー版は本番のエージェントループに対応できる状態ではなく、リリースビルドは対応できると主張しています。しかし、誠実な表現をすれば、独立した研究機関はまだDeepSeek V4 Proを評価しておらず、ベンチマークで比較対象となったモデルも外部組織が名指ししたものではありません。

Grok 4.6が何と答えるか

Grok 4.6の対抗馬は種類が異なる。つまり、この2つのうち、独立したスコアボードを持つのはそれだけである。Artificial Analysisは、そのIntelligence Indexで対抗馬を61と測定した。このスコアはGPT-5.6 Solと同点であり、Kimi K3（60）を上回っているが、DeepSeek V4 Proがまだ出荷される前の時点でのものである。そのベンダーテーブルは、DeepSWE v1.1で65.9%、CursorBench v3.2で69.9%というトップ性能を主張する一方、Terminal-Bench v3.0では26%と弱点を率直に認めている。これらはxAIが報告したものであり、8月13日時点で独立に再現されたものはない。

2つのモデルを直接比較しようとする場合、バージョンの不一致が問題になります。D​eepSeekの87.9はTerminal Bench 2.1でのスコアであり、Grokの26%はより難しいv3.0でのスコアです。試験が異なる以上、「D​eepSeekがターミナルでGrokを圧倒する」という主張は誠実とは言えません。また、「GrokがDeepSWEでリードしている」という主張も、2つのベンダーが異なる評価バージョンを使用し、どちらの数値も第三者検証を受けていないことを明記しない限り、同様に不正確です。比較可能なのは独立した次元です。Grok 4.6には検証済みのスコアカードが1つありますが、DeepSeek V4 Proにはまだありません。そして本番環境での意思決定にとって、その非対称性自体が情報となるのです。

長時間のエージェント実行の総コスト

現実的なエージェント業務を考えてみましょう — 50万トークンのコンテキストを読んで推論し、10万トークンの出力を書く、中規模のリファクタリングまたは長文書パイプラインに相当する作業を、両モデルのウィンドウ内で行う場合：

• Grok 4.6 — 入力0.5M（$2）＝ $1.00、さらに出力0.1M（$6）＝ $0.60。合計: $1.60。

• DeepSeek V4 Pro — 0.5M キャッシュミス入力 @ ¥3 = ¥1.50、プラス 0.1M 出力 @ ¥6 = ¥0.60。合計: ¥2.10、約 $0.29.

同じ名目上のタスクでの5.5倍の差であり、キャッシュの利点を考慮する前の話だ。さらに、D​eepSeekの1Mウィンドウと384Kの最大出力により、タスクは1回のパスで完了できるのに対し、Grok 4.6の500Kウィンドウでは2回のパスが必要になるかもしれない。これを一言で片付けられないようにしているのは、推論コストとリスクだ。D​eepSeekのシンキングモードはデフォルトでオンになっており、望まない場合でもすべてのリクエストが完全な推論トレースのコストを支払うことになる。そして、ベンダー自身のベンチマークへの自信は、独立した誰にも検証されていない。常時オン推論でも、トークン単価が安ければ、このレートではタスクごとのコストも依然として安い。しかし「安い」と「検証済み」は異なる主張であり、これらのモデルのうちの1つだけが後者を備えている。

誰がどれを選ぶべきか

その判断は「どちらが優れているか」というよりは、「どのリスクプロファイルがワークロードに適しているか」という問いである：

• 大量処理・コスト重視・未検証の数値を許容する — DeepSeek V4 Proは価格下限の選択肢です。1Mコンテキストと384K出力により、長コンテキストやバッチ処理にはより強力な候補となり、¥0.025のキャッシュ入力レートによって、検索中心のパイプラインはほぼ無料になります。ただし、独立した評価をした人は誰もいないため、必ず自前で評価してください。

• OpenAI互換エコシステムにおける、独立したスコアカードを備えたエージェント深度 — Grok 4.6の61は検証済みであり、コーディングとエージェントのベンチマーク方向性は一貫し、末端の弱点は事前に把握されています。最初のトークンまでの42秒は、検証済みの品質に対して支払う代償です。

• 混在トラフィック — これは、選択ではなくルーティングを必要とするケースです。OrcaRouterでは、両モデルは1つのキーの背後にあり、プロバイダーリストのパススルー価格が適用されるため、D​eepSeekの¥3/¥6は請求書上でも¥3/¥6のままであり、Grok 4.6も$2/$6のままで、どちらにもマークアップは一切ありません。ルーティングルールでは、長いコンテキストを必要とするコスト制約のある作業をDeepSeek V4 Proに送り、検証済みのエージェント的作業をGrok 4.6に送ることができ、自社の評価で分割比率が確定するまでリクエスト単位でトラフィックを分割し、どちらかのベンダーの最初の1週間の挙動が発表時の数値と矛盾する場合には、自動フェイルオーバーに頼ることができます。発表から1日しか経っていない、価格競争の対極に位置する2つのモデルにとって、自社のワークロードで両者を比較し、コードを変更せずに分割比率を切り替えられる能力は、単なる利便性ではありません。それは、どちらかを採用する唯一の妥当な方法です。