GPT-6.1 Sol vs Grok 4.6: Problem z nagłówkiem Accept i 35-punktowa różnica, która nie jest prawdziwa

Na obecnym rynku modeli istnieje pewna para, w której tańsza opcja wygrywa bezapelacyjnie najtrudniejszy naukowy benchmark, a mimo to całe porównanie wciąż nie wypada na jej korzyść. Grok 4.6, flagowy model SpaceXAI od 2026-08-12, uzyskuje 94,9% w GPQA Diamond — pytania naukowe na poziomie absolwenta — wobec 42,9% w Humanity's Last Exam w przypadku tego samego modelu, a kosztuje 2,00 USD za milion tokenów wejściowych i 6,00 USD za milion tokenów wyjściowych. GPT-6.1 Sol, wydany przez Open​AI 29.09.2026, uzyskuje 52,9% w tym samym zestawie HLE i pobiera 10,00 USD za milion tokenów wyjściowych. Zatem Grok 4.6 jest lepszy w jednej trudnej rzeczy, tańszy w każdym punkcie cennika, a jednak to w drugiej połowie tego porównania kryje się ciekawy problem: te dwa modele nie zawsze są pytane o to samo.

Liczby poniżej to pomiary Artificial Analysis przeprowadzone na naszych własnych rekordach modeli dla obu modeli, dane dostawców tam, gdzie zostały oznaczone, oraz nasze własne dane z serwowania. Oceniający i data są podane wszędzie tam, gdzie dana liczba mogłaby być niejednoznaczna.

Numer wersji, który wykonuje pracę

Zacznij od liczb, które wyglądają na pogrom, a nim nie są. Artificial Analysis prowadzi dwa benchmarki agentów terminalowych, a oba modele zostały ocenione w każdym z nich:

• Terminal-Bench 2.1 — Grok 4.6 uzyskuje wynik 88,39%; GPT-6.1 Sol nie jest wymieniony w tej wersji.

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

Przeczytaj tylko drugi wiersz, a Grok 4.6 wygląda na niezdolnego do wykonania zadania w powłoce. Przeczytaj oba i staje się jasne, że różnica tkwi w uprzęży, a nie w modelu. Terminal-Bench 4.0 to trudniejsza wersja tego samego pomysłu, a oba modele zostały ocenione na nim w różnych momentach — rekord GPT-6.1 Sol w Artificial Analysis nosi datę oceny 2026-09-28, a rekord Grok 4.6 — 2026-08-12. 35-punktowa różnica między dwoma modelami mierzonymi w odstępie sześciu tygodni na benchmarku, który został zmieniony w tym oknie, nie jest dowodem na to, że jeden z nich nie potrafi korzystać z terminala. To dowód na to, że nie należy porównywać tych dwóch komórek.

Uczciwa wersja porównania agentowego jest tą węższą: Grok 4.6 osiąga 88,39% w Terminal-Bench 2.1, a w tej wersji nie ma wyniku GPT-6.1 Sol, który można by umieścić obok niego. To luka w dowodach, a reszta tego artykułu traktuje ją jako taką.

Czym są te dwa

Grok 4.6 to obecny flagowy model linii Grok, oznaczony jako „Latest” we własnej dokumentacji deweloperskiej SpaceXAI, następca Grok 4.5 z tym samym oknem kontekstowym o rozmiarze 500 000 tokenów i takim samym zakresem danych wejściowych: tekst, obraz i plik. Obsługuje konfigurowalny wysiłek rozumowania, natywne wywoływanie narzędzi, ustrukturyzowane wyjścia oraz pełny zestaw parametrów próbkowania — temperatura, top_p, seed, logprobs, kary — co jest istotnym szczegółem: w przeciwieństwie do GPT-6.1 Sol przyjmuje temperaturę.

GPT-6.1 Sol to pojedynczy snapshot — gpt-6.1-sol, bez wersji z datą — z oknem kontekstowym wynoszącym 1 050 000 tokenów, maksymalnym wyjściem 128 000, taką samą powierzchnią wejściową dla tekstu, obrazów i plików oraz pięcioma poziomami wysiłku domyślnie ustawionymi na średni. Nie przyjmuje parametrów temperature ani top_p; próbkowanie zastąpiono pokrętłem wysiłku.

Wiersze specyfikacji, zestawione obok siebie, w wymiarach, w których się różnią:

• Okno kontekstu — 1,050,000 tokenów dla GPT-6.1 Sol w porównaniu z 500,000 dla Grok 4.6. GPT-6.1 Sol ma nieco ponad dwukrotnie większe okno.

• Maksymalna długość wyjścia — 128 000 tokenów dla GPT-6.1 Sol; pułap wyjściowy modelu Grok 4.6 nie jest podany w naszym rekordzie katalogowym dla niego, co jest polem, które nigdy nie zostało wypełnione, a nie zerem.

• Parametry próbkowania — temperature, top_p, seed oraz parametry kar działają w Grok 4.6, a GPT-6.1 Sol je odrzuca.

• Cena podstawowa — 2,00 USD/6,00 USD za Grok 4.6 w porównaniu z 2,00 USD/10,00 USD za GPT-6.1 Sol, w pierwszych przedziałach cenowych obu modeli.

Pięć osi, jedna jasna

Te dwa modele mają wystarczająco dużo niezależnych pomiarów, aby można je było należycie porównać, a kształt wyniku jest spójny:

• AA Intelligence Index — GPT-6.1 Sol 51,8, 10. miejsce na 147, 93,2 percentyla; Grok 4.6 44,3, 20. miejsce, 86,4 percentyla.

• Humanity's Last Exam — 52,9% wobec 42,9%. Dziesięć punktów, GPT-6.1 Sol.

• Przywoływanie długiego kontekstu — 83% wobec 80,33%.

• SciCode — 54,2% wobec 56,5%. Grok 4.6 o 2,3 punktu, jedyna z tych czterech osi, na której prowadzi.

• GPQA Diamond — GPT-6.1 Sol nie widnieje na tej osi w naszych zapisach; Grok 4.6 uzyskuje 94,9%, najwyższy pojedynczy wynik na swojej karcie.

Dwie z osi Grok 4.6 pozostają niezmierzone po stronie GPT-6.1 Sol, a jedna z osi GPT-6.1 Sol pozostaje niezmierzona po stronie Grok 4.6. To standardowy kształt porównania między modelami ocenianymi według różnych harmonogramów, a właściwym sposobem postępowania jest pozostawienie pustych komórek, a nie wypełnianie ich danymi z prezentacji premierowej.

Na Intelligence Index trzeba dokonać jednego uzgodnienia. Wcześniejsze materiały na tym blogu umieszczały Grok 4.6 na pozycji 61 w tym samym indeksie. Nasz bieżący zapis zawiera dodatkowy wiersz z tą wartością, obok podanej wyżej wartości 44,3 — indeks został zrewidowany i ponownie przeliczony, a oba odczyty istnieją dla tego samego modelu. Każdy, kto podaje pozycję Grok 4.6 w indeksie, powinien powiedzieć, którą wersję ma na myśli, ponieważ różnica między 61 a 44,3 jest większa niż luka, której dotyczy cały ten artykuł.

Cennik i znajdujący się w nim krok

Grok 4.6 jest tańszy w każdej pozycji bazowej i ma dłuższą listę pozycji. Jego cennik:

• Do 200 000 tokenów promptu — 2,00 USD za dane wejściowe, 6,00 USD za dane wyjściowe, 0,50 USD za wejście z pamięci podręcznej.

• Powyżej 200 000 tokenów promptu — całe żądanie jest ponownie wyceniane na 4,00 USD za wejście, 12,00 USD za wyjście, 1,00 USD za wejście z pamięci podręcznej.

GPT-6.1 Sol's:

• Do 272 000 tokenów promptu — 2,00 USD za wejście, 10,00 USD za wyjście, 0,10 USD za buforowane wejście, 2,50 USD za zapis do pamięci podręcznej.

• Powyżej 272 000 tokenów promptu — całe żądanie jest ponownie wyceniane na $4.00 za dane wejściowe, $15.00 za dane wyjściowe, $0.20 za wejście z pamięci podręcznej, $5.00 za zapis do pamięci podręcznej.

Zarówno krok, jak i oba kroki w tym samym regionie — ale zwróć uwagę, co kroki robią z luką w nagłówku. W pierwszym wyjście Grok 4.1 jest o 40 procent tańsze. Powyżej kroku, przy 12,00 USD wobec 15,00 USD, jest o 20 procent taniej. A na wejściu kolejność całkowicie się odwraca: 0,100 USD GPT-6.1 Sol to jedna dziesiąta 0,50 USD Grok 4.6 przed krokiem i jedna dziesiąta po nim.

W przypadku obciążenia agentowego, które przy każdej turze ponownie odczytuje długi, stały prefiks — repozytorium, zestaw umów, długi zapis transkrypcji — ten wiersz pamięci podręcznej jest wart więcej niż stawka podstawowa i wskazuje w drugą stronę. W przypadku obciążenia, które generuje dużo danych wyjściowych z krótkiego promptu, to właśnie 6,00 USD w Grok 4.6 jest kwotą, która przesądza sprawę.

Nasze własne dane z serwowania i dlaczego część z nich należy zignorować

Katalog OrcaRouter zawiera siedmiodniowy panel serwowania dla każdego modelu, a w przypadku jednego z tych dwóch jest to artefakt, a nie pomiar. Panel Grok 4 wskazuje opóźnienie p50 na poziomie 6 250 milisekund i wskaźnik błędów na poziomie 56,76% w oknie, w którym obsłużył 1 212 441 żądań. Panel GPT-5.2 wskazuje p50 na poziomie 2 442 milisekund, 95,57 tokenów wyjściowych na sekundę, wskaźnik błędów 6,36% i 421 258 żądań obsłużonych w tych samych siedmiu dniach.

Liczby dotyczące ruchu należy odczytać najpierw, ponieważ wyjaśniają całą resztę. Model, który obsłużył 1,2 miliona tokenów w ciągu tygodnia, ma zbyt małą próbę, by wskaźnik błędów wiele znaczył — przy takim wolumenie wskaźnik 56,76% odzwierciedla kilkadziesiąt prób, a nie jakość usługi, a traktowanie go jako dowodu, że Grok 4.6 jest zawodny, byłoby odczytaniem artefaktu pomiarowego jako pomiaru. Nasz panel GPT-6.1 Sol ma za sobą około 350 razy większy ruch, co czyni go użyteczną liczbą dotyczącą użytkowników naszego placu zabaw, a wciąż nie właściwością modelu.

Czego nie możemy ci powiedzieć

W tym porównaniu brakuje trzech rzeczy i żadnej z nich nie da się uzupełnić argumentacją.

Pierwszy to wynik terminalowego agenta w tej samej wersji dla obu modeli. Dopóki Artificial Analysis nie oceni Grok 4.6 w Terminal-Bench 4.0 ani GPT-6.1 Sol w wersji 2.1, porównanie agentowe opiera się na wyniku jednego modelu i milczeniu drugiego. Każdy, kto mówi ci, że różnica między 56,06% a 21,21% to luka w możliwościach, powołuje się na różnicę wersji.

Drugi to pułap wyjściowy Grok 4.6. Tego pola nie zmierzono w naszym zapisie, więc obciążenie zależne od bardzo długich pojedynczych odpowiedzi nie ma po tej stronie opublikowanej liczby, względem której można by planować.

Trzeci punkt to rzeczywisty koszt obu modeli w przeliczeniu na ukończone zadanie. Nasz playground podaje średni koszt na zadanie dla Claude Opus 5; nie podaje go dla żadnego z tych dwóch, a podane wyżej ceny tokenów są danymi wejściowymi do tej liczby, a nie samą liczbą. Własne, deklarowane przez dostawcę dane Open​AI dla GPT-6.1 Sol opisują usprawnienia kosztu na zadanie — Terminal-Bench Science 0.1 przy 5,47 USD za zadanie w porównaniu z 23,21 USD dla Claude Opus 5.5 i 23,80 USD dla GPT-6 Astra, przy maksymalnym wysiłku — ale to są liczby Open​AI na środowisku testowym Open​AI, nikt z zewnątrz ich nie odtworzył i nie mówią one nic o Grok 4.6.

Wybór

Oba modele są kierowane przez OrcaRouter po cenie katalogowej dostawcy z 0% narzutu — openai/gpt-6.1-sol po $2.00/$10.00, z $0.10 za wejście z pamięci podręcznej i progiem powyżej 272 tys. tokenów stosowanym dokładnie tak, jak ustala to OpenAI, oraz grok/grok-4.6 po $2.00/$6.00, z progiem powyżej 200 tys. tokenów stosowanym dokładnie tak, jak ustala to SpaceXAI. Jeden klucz obsługuje oba, ceny podążają za dostawcą tego samego dnia, w którym się zmieniają, a nie w następnym cyklu rozliczeniowym, i automatyczny failover znajduje się pod spodem, dzięki czemu tańszy model może utrzymać ścieżkę, nie będąc jedynym elementem, który ją utrzymuje.

Jeśli profil obciążenia ma postać pytań i jest mocno nastawiony na generowanie wyników — wyszukiwanie i odpowiadanie, generowanie na dużą skalę, cokolwiek, co nigdy nie przekracza 200 000 tokenów promptu — Grok 4.6 jest lepszym zakupem według cennika, o 40 procent w tym wierszu, który ma znaczenie, a jego 94,9% w GPQA Diamond to niezależna liczba, a nie twierdzenie.

Jeśli obciążenie jest agentowe, opiera się na długich promptach lub intensywnie korzysta z pamięci podręcznej, GPT-6.1 Sol jest bezpieczniejszym domyślnym wyborem: prowadzi w każdym niezależnym wymiarze wspólnym dla obu modeli z wyjątkiem SciCode, jego odczyty z pamięci podręcznej kosztują jedną piątą tego, co w Grok 4.6, a publikowany pułap wyjściowy to wartość, względem której można planować. Okno 500 000 tokenów w Grok 4.6 jest hojne, a okno 1 050 000 tokenów w GPT-6.1 Sol jest dwa razy większe — ale przy naprawdę długim prompcie oba modele zdążyły już wejść do swoich podwojonych progów, gdzie różnica cen maleje do 20 procent i przestaje być powodem wyboru któregokolwiek z nich.

Werdykt, który się broni w świetle dowodów: Grok 4.6 to tańszy model, a GPT-6.1 Sol — bardziej wyważony, zaś krążąca 35-punktowa różnica w benchmarku terminalowym to porównanie dwóch różnych wersji benchmarku, a nie dwóch modeli.