GPT-6.1 Sol vs Grok 4.6: het Accept-header-probleem, en een gat van 35 punten dat niet echt is

Er is een combinatie op de huidige modelmarkt waarbij de goedkopere optie de moeilijkste wetenschapsbenchmark glansrijk wint, en de hele vergelijking toch niet in haar voordeel uitvalt. Grok 4.6, het vlaggenschipmodel van SpaceXAI sinds 2026-08-12, scoort 94,9% op GPQA Diamond — wetenschapsvragen op masterniveau — tegenover 42,9% op Humanity's Last Exam voor hetzelfde model, en het kost $2,00 per miljoen input en $6,00 per miljoen output. GPT-6.1 Sol, de release van Open​AI op 2026-09-29, scoort 52,9% op diezelfde HLE-set en rekent $10,00 per miljoen output. Grok 4.6 is dus beter in één moeilijk ding, goedkoper op elke regel van de prijslijst, en toch zit in de tweede helft van die vergelijking het interessante probleem: de twee modellen krijgen niet altijd dezelfde vraag voorgeschoteld.

De onderstaande getallen zijn Artificial Analysis-metingen uitgevoerd op onze eigen modelrecords voor beide modellen, leverancierscijfers waar gelabeld, en onze eigen serveergegevens. De evaluator en datum worden vermeld waar een cijfer dubbelzinnig zou kunnen zijn.

Het versienummer dat het werk doet

Begin met de cijfers die op een afstraffing lijken maar het niet zijn. Artificial Analysis draait twee terminal-agent-benchmarks, en heeft beide modellen op elk daarvan gescoord:

• Term-Bench 2.1 — Grok 4.6 scoort 88,39%; GPT-6.1 Sol staat niet vermeld in deze versie.

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

Lees alleen de tweede rij en Grok 4.6 lijkt niet in staat een taak in een shell te voltooien. Lees beide en het wordt duidelijk dat het verschil in de testomgeving zit, niet in het model. Terminal-Bench 4.0 is een moeilijkere herziening van hetzelfde idee, en de twee modellen werden op verschillende momenten erop gescoord — in het Artificial Analysis-record van GPT-6.1 Sol staat een evaluatiedatum van 2026-09-28, dat van Grok 4.6 vermeldt 2026-08-12. Een gat van 35 punten tussen twee modellen die zes weken na elkaar zijn gemeten op een benchmark die binnen dat venster is herzien, is geen bewijs dat een van hen geen terminal kan gebruiken. Het is bewijs dat je die twee cellen niet moet vergelijken.

De eerlijke versie van de agentische vergelijking is de engere: Grok 4.6 scoort 88,39% op Terminal-Bench 2.1, en er is geen GPT-6.1 Sol-cijfer op die versie om ernaast te zetten. Dat is een gat in het bewijs, en de rest van dit artikel behandelt het als zodanig.

Wat de twee zijn

Grok 4.6 is het huidige vlaggenschip van de Grok-lijn, vermeld als "Latest" in SpaceXAI's eigen ontwikkelaarsdocumentatie, als opvolger van Grok 4.5 met hetzelfde contextvenster van 500.000 tokens en hetzelfde invoeroppervlak voor tekst, afbeeldingen en bestanden. Het ondersteunt configureerbare reasoning effort, native tool calling, structured outputs en het volledige sampling-oppervlak — temperature, top_p, seed, logprobs, penalties — wat een veelzeggend detail is: in tegenstelling tot GPT-6.1 Sol accepteert het een temperature.

GPT-6.1 Sol is één enkele snapshot — gpt-6.1-sol, geen gedateerde variant — met een contextvenster van 1.050.000 tokens, een maximale uitvoer van 128.000, hetzelfde invoeroppervlak voor tekst, afbeeldingen en bestanden, en vijf inspanningsniveaus die standaard op medium staan. Het accepteert geen temperature of top_p; sampling wordt vervangen door de inspanningsregelaar.

De specificatierijen, naast elkaar, op de dimensies waarin ze verschillen:

• Contextvenster — 1.050.000 tokens voor GPT-6.1 Sol tegenover 500.000 voor Grok 4.6. GPT-6.1 Sol is net iets meer dan twee keer zo groot als dat venster.

• Maximale uitvoer — 128.000 tokens voor GPT-6.1 Sol; het uitvoerplafond van Grok 4.6 staat niet in ons catalogusrecord ervoor; dat is een veld dat nooit is ingevuld en niet een nul.

• Bemonsteringsparameters — temperatuur, top_p, seed en de penaltyparameters werken op Grok 4.6 en worden afgewezen door GPT-6.1 Sol.

• Basisprijs — $2,00/$6,00 voor Grok 4.6 tegenover $2,00/$10,00 voor GPT-6.1 Sol, binnen de eerste prijsklasse van beide modellen.

{{1}}Vijf assen{{/1}}, {{2}}één compositie{{/2}}

De twee modellen delen voldoende onafhankelijke metingen om goed vergeleken te kunnen worden, en de vorm van het resultaat is consistent:

• AA Intelligence Index — GPT-6.1 Sol 51,8, rang 10 van 147, 93,2e percentiel; Grok 4.6 44,3, rang 20, 86,4e percentiel.

• Humanity's Last Exam — 52,9% tegen 42,9%. Tien punten, GPT-6.1 Sol.

• Recall bij lange contexten — 83% tegenover 80,33%.

• SciCode — 54,2% tegenover 56,5%. Grok 4.6 met 2,3 punten voorsprong, de enige as van deze vier waarop het leidt.

• GPQA Diamond — GPT-6.1 Sol staat in onze gegevens niet op deze as vermeld; Grok 4.6 scoort 94,9%, het sterkste cijfer op zijn kaart.

Twee assen van Grok 4.6 worden niet gemeten aan de kant van GPT-6.1 Sol, en een van GPT-6.1 Sol wordt niet gemeten aan die van Grok 4.6. Dat is de standaardvorm van een vergelijking tussen modellen die volgens verschillende schema's zijn geëvalueerd, en de manier om ermee om te gaan is de cellen leeg te laten in plaats van ze te vullen vanuit een lanceringsdeck.

Er is nog één afstemming nodig op de Intelligence Index. Eerdere berichtgeving op deze blog plaatste Grok 4.6 op 61 in dezelfde index. Onze huidige registratie bevat een extra rij met die waarde, naast het cijfer 44,3 hierboven — de index is herzien en opnieuw gescoord, en beide uitkomsten bestaan voor hetzelfde model. Wie de indexpositie van Grok 4.6 citeert, moet aangeven welke revisie diegene bedoelt, want het verschil tussen 61 en 44,3 is groter dan de kloof waar dit hele artikel over gaat.

De tariefkaart, en de stap erin

Grok 4.6 is op elke basislijn goedkoper en heeft een langere lijst met lijnen. Zijn tariefkaart:

• Tot 200.000 prompttokens — $2,00 input, $6,00 output, $0,50 gecachte input.

• Boven 200.000 prompttokens — de hele aanvraag wordt opnieuw geprijsd naar $4,00 input, $12,00 output, $1,00 gecachede input.

GPT-6.1 Sol's:

• Tot 272.000 prompt-tokens — $2,00 invoer, $10,00 uitvoer, $0,10 voor gecachte invoer, $2,50 voor cacheschrijven.

• Boven 272.000 prompttokens — de hele aanvraag wordt opnieuw geprijsd naar $4,00 invoer, $15,00 uitvoer, $0,20 gecachte invoer, $5,00 cache-schrijfactie.

Zowel de stap als beide stappen vallen in dezelfde regio qua promptlengte — maar let op wat de stappen doen met het opvallende verschil. Binnen de eerste tier is de output van Grok 4.6 40 procent goedkoper. Boven de stap, met $12,00 tegen $15,00, is het 20 procent goedkoper. En bij gecachte input keert de volgorde volledig om: de $0,10 per miljoen van GPT-6.1 Sol is een vijfde van de $0,50 van Grok 4.6 vóór de stap en een tiende erna.

Voor een agentische workload die bij elke beurt een lange, vaste prefix opnieuw leest — een repo, een set contracten, een lang transcript — is die cacheregel meer waard dan het basistarief, en die wijst de andere kant op. Voor een workload die veel output produceert op basis van een korte prompt, is de $6,00 van Grok 4.6 de lijn die de doorslag geeft.

Onze eigen servingdata, en waarom een deel ervan genegeerd moet worden

De catalogus van OrcaRouter bevat voor elk model een zevendaags serveerpaneel, en bij een van deze twee is het een artefact in plaats van een meting. Het paneel van Grok 4.6 vermeldt een p50-latentie van 6.250 milliseconden en een foutpercentage van 56,76%, over een venster waarin het 1.212.441 tokens heeft bediend. Het paneel van GPT-6.1 Sol vermeldt een p50 van 2.442 milliseconden, 95,57 outputtokens per seconde, een foutpercentage van 6,36%, en 421.752.431 tokens die in dezelfde zeven dagen zijn bediend.

De verkeerscijfers moet je eerst lezen, want ze verklaren de rest. Een model dat in een week 1,2 miljoen tokens heeft verwerkt, heeft een te kleine steekproef om een foutpercentage veel te laten betekenen — bij dat volume weerspiegelt een percentage van 56,76% een paar dozijn pogingen, niet een servicekwaliteit, en het behandelen als bewijs dat Grok 4.6 onbetrouwbaar is, zou neerkomen op het lezen van een meetartefact als een meting. Ons GPT-6.1 Sol-panel heeft ongeveer 350 keer zoveel verkeer achter zich, waardoor het een bruikbaar cijfer is over onze playgroundgebruikers en nog steeds geen eigenschap van het model.

Wat we je niet kunnen vertellen

Er ontbreken drie dingen in deze vergelijking, en geen daarvan kan met argumenten worden aangevuld.

De eerste is een terminal-agent-score van dezelfde versie voor beide modellen. Totdat Artificial Analysis Grok 4.6 op Terminal-Bench 4.0 scoort, of GPT-6.1 Sol op 2.1, berust de agentische vergelijking op het cijfer van het ene model en de stilte van het andere model. Iedereen die je vertelt dat het verschil van 56,06% tegenover 21,21% een capaciteitskloof is, citeert een revisieverschil.

De tweede is het outputplafond van Grok 4.6. Dat veld is niet gemeten in onze registratie, dus een workload die afhankelijk is van zeer lange individuele antwoorden heeft aan die kant geen gepubliceerd getal om op te plannen.

Het derde is wat beide modellen daadwerkelijk kosten per voltooide taak. Onze playground rapporteert een gemiddelde kostprijs per taak voor Claude Opus 5; voor geen van deze twee wordt er een gerapporteerd, en de tokenprijzen hierboven zijn invoer voor dat getal, niet het getal zelf. De eigen door de leverancier gerapporteerde cijfers van Open​AI voor GPT-6.1 Sol beschrijven verbeteringen in kosten per taak — Terminal-Bench Science 0.1 tegen $5,47 per taak tegenover $23,21 voor Claude Opus 5.5 en $23,80 voor GPT-6 Astra, bij maximale inspanning — maar dat zijn cijfers van Open​AI op de harness van Open​AI, niemand buiten heeft ze gereproduceerd, en ze zeggen niets over Grok 4.6.

De keuze

Beide modellen worden via OrcaRouter gerouteerd tegen de lijstprijs van de provider met 0% opslag — openai/gpt-6.1-sol voor $2,00/$10,00 met $0,10 voor gecachte input en de tier boven 272K exact toegepast zoals Open​AI die vaststelt, en grok/grok-4.6 voor $2,00/$6,00 met de tier boven 200K exact toegepast zoals SpaceXAI die vaststelt. Eén sleutel geeft toegang tot beide, prijzen volgen de leverancier op dezelfde dag dat ze wijzigen in plaats van bij de volgende factureringscyclus, en automatische failover zit eronder, zodat het goedkopere model een pad kan vasthouden zonder het enige te zijn dat dat pad overeind houdt.

Als de workload vraagvormig is en outputintensief — retrieval-en-antwoord, generatie op volume, alles dat nooit boven 200.000 tokens aan prompt uitkomt — dan is Grok 4.6 de betere koop volgens de tariefkaart, met 40 procent op de regel die ertoe doet, en de 94,9% GPQA Diamond is een onafhankelijk cijfer, geen claim.

Als de werklast agentisch is, uit lange prompts bestaat of cache-intensief is, is GPT-6.1 Sol de veiliger standaardkeuze: het leidt op elke onafhankelijke as die de twee gemeen hebben, behalve SciCode, de cache-reads kosten een vijfde van die van Grok 4.6, en het gepubliceerde outputplafond is een getal waarop je kunt plannen. Het venster van 500.000 tokens op Grok 4.6 is royaal en het venster van 1.050.000 tokens op GPT-6.1 Sol is tweemaal zo groot — maar bij een echt lange prompt zijn beide tegen die tijd in hun verdubbelde tariefniveaus beland, en daar vernauwt het prijsverschil zich tot 20 procent en is het niet langer de reden om een van beide te kiezen.

Het oordeel dat standhoudt tegen het bewijs: Grok 4.6 is het goedkopere model en GPT-6.1 Sol is het meer afgewogen model, en het 35-puntsverschil op de terminalbenchmark dat de ronde doet, is een vergelijking van twee verschillende benchmarkversies, niet van twee modellen.