GPT-6.1 Sol vs Grok 4.6: O Problema do Cabeçalho Accept e uma Diferença de 35 Pontos Que Não É Real

Há um confronto no mercado atual de modelos em que a opção mais barata vence de forma absoluta o benchmark científico mais difícil, e ainda assim a comparação como um todo não lhe é favorável. Grok 4.6, o carro-chefe da SpaceXAI desde 2026-08-12, obtém 94,9% no GPQA Diamond — questões de ciência de nível de pós-graduação — contra 42,9% no Humanity's Last Exam para o mesmo modelo, e custa US$ 2,00 por milhão na entrada e US$ 6,00 por milhão na saída. GPT-6.1 Sol, lançamento da Open​AI de 2026-09-29, obtém 52,9% nesse mesmo conjunto do HLE e cobra US$ 10,00 por milhão na saída. Então o Grok 4.6 é melhor em uma coisa difícil, mais barato em cada linha da tabela de preços, e ainda assim é na segunda metade dessa comparação que mora o problema interessante: nem sempre se está perguntando a mesma coisa aos dois modelos.

Os números abaixo são medições do Artificial Analysis realizadas com base nos nossos próprios registos de modelos para ambos os modelos, valores dos fornecedores quando assinalados, e os nossos próprios dados de serviço. O avaliador e a data são indicados sempre que um valor possa ser ambíguo.

O número da versão fazendo o trabalho

Comece pelos números que parecem uma derrota esmagadora e não são. A Artificial Analysis executa dois benchmarks de agentes de terminal e avaliou ambos os modelos em cada um:

• Terminal-Bench 2.1 — Grok 4.6 obtém 88,39%; o GPT-6.1 Sol não consta nesta versão.

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

Leia apenas a segunda linha e o Grok 4.6 parece incapaz de concluir uma tarefa em um shell. Leia as duas e fica claro que a diferença está na estrutura de avaliação, não no modelo. O Terminal-Bench 4.0 é uma revisão mais difícil da mesma ideia, e os dois modelos foram avaliados nele em momentos diferentes — o registro do GPT-6.1 Sol no Artificial Analysis traz uma data de avaliação de 2026-09-28, o do Grok 4.6 traz 2026-08-12. Uma diferença de 35 pontos entre dois modelos medidos com seis semanas de intervalo em um benchmark que foi revisado dentro dessa janela não é evidência de que um deles não consegue usar um terminal. É evidência de que você não deveria comparar essas duas células.

A versão honesta da comparação agêntica é a mais restrita: o Grok 4.6 registra 88,39% no Terminal-Bench 2.1, e não existe nenhum número do GPT-6.1 Sol nessa versão para colocá-lo ao lado. Isso é uma lacuna nas evidências, e o restante deste artigo a trata como tal.

O que os dois são

O Grok 4.6 é o atual carro-chefe da linha Grok, listado como "Latest" na própria documentação para desenvolvedores da SpaceXAI, sucedendo o Grok 4.5 com a mesma janela de contexto de 500.000 tokens e a mesma superfície de entrada de texto, imagem e arquivo. Ele oferece suporte a esforço de raciocínio configurável, chamada nativa de ferramentas, saídas estruturadas e toda a superfície de amostragem — temperature, top_p, seed, logprobs, penalidades —, o que é um detalhe significativo: ao contrário do GPT-6.1 Sol, ele aceita uma temperature.

GPT-6.1 Sol é um único snapshot — gpt-6.1-sol, sem variante datada — com uma janela de contexto de 1.050.000 tokens, saída máxima de 128.000, a mesma superfície de entrada de texto, imagem e arquivos, e cinco níveis de esforço com o padrão definido como médio. Ele não aceita temperature nem top_p; a amostragem é substituída pelo seletor de esforço.

As linhas de especificação, lado a lado, nas dimensões em que diferem:

• Janela de contexto — 1.050.000 tokens para o GPT-6.1 Sol contra 500.000 do Grok 4.6. O GPT-6.1 Sol tem pouco mais que o dobro da janela.

• Saída máxima — 128 000 tokens para o GPT-6.1 Sol; o teto de saída do Grok 4.6 não está publicado no nosso registo de catálogo para ele, que é um campo que nunca foi preenchido, e não um zero.

• Parâmetros de amostragem — temperatura, top_p, seed e os parâmetros de penalização funcionam no Grok 4.6 e são rejeitados pelo GPT-6.1 Sol.

• Preço base — $2,00/$6,00 para o Grok 4.6 contra $2,00/$10,00 para o GPT-6.1 Sol, nas primeiras faixas de ambos os modelos.

Cinco eixos, uma direção clara

Os dois modelos compartilham medições independentes suficientes para serem comparados adequadamente, e a forma do resultado é consistente:

• AA Intelligence Index — GPT-6.1 Sol 51,8, 10.º lugar entre 147, percentil 93,2; Grok 4.6 44,3, 20.º lugar, percentil 86,4.

• Humanity's Last Exam — 52,9% contra 42,9%. Dez pontos, GPT-6.1 Sol.

• Recall de Contexto Longo — 83% contra 80,33%.

• SciCode — 54,2% contra 56,5%. Grok 4.6 por 2,3 pontos, o único eixo destes quatro em que lidera.

• GPQA Diamond — O GPT-6.1 Sol não está listado neste eixo em nossos registros; o Grok 4.6 marca 94,9%, o número mais forte de sua ficha.

Dois dos eixos do Grok 4.6 ficam sem ser medidos do lado do GPT-6.1 Sol, e um dos do GPT-6.1 Sol fica sem ser medido do lado do Grok 4.6. Essa é a forma padrão de uma comparação entre modelos avaliados em cronogramas diferentes, e a maneira de lidar com isso é deixar as células vazias em vez de preenchê-las a partir de uma apresentação de lançamento.

Uma reconciliação é devida no Intelligence Index. A cobertura anterior neste blog colocava o Grok 4.6 em 61 no mesmo índice. Nosso registro atual traz uma linha adicional com esse valor, ao lado do número 44,3 acima — o índice foi revisado e reavaliado, e ambas as leituras existem para o mesmo modelo. Qualquer pessoa que cite a posição do Grok 4.6 no índice deve dizer a qual revisão se refere, porque a diferença entre 61 e 44,3 é maior do que a lacuna sobre a qual todo este artigo trata.

A tabela de tarifas, e a etapa dentro dela.

O Grok 4.6 é mais barato em todas as linhas base e tem uma lista de linhas mais longa. Sua tabela de tarifas:

• Até 200.000 tokens de prompt — $2,00 de entrada, $6,00 de saída, $0,50 de entrada em cache.

• Acima de 200.000 tokens de prompt — toda a solicitação passa a custar US$ 4,00 de entrada, US$ 12,00 de saída e US$ 1,00 de entrada em cache.

GPT-6.1 Sol's:

• Até 272.000 tokens de prompt — $2,00 de entrada, $10,00 de saída, $0,10 de entrada em cache, $2,50 de escrita em cache.

• Acima de 272.000 prompt tokens — a solicitação inteira é reprecificada para $4,00 de entrada, $15,00 de saída, $0,20 de entrada em cache, $5,00 de escrita em cache.

Tanto o passo, quanto ambos os passos ficam na mesma região do comprimento do prompt — mas observe o que os passos fazem com a diferença principal. Dentro da primeira faixa, a saída do Grok 4.6 é 40 por cento mais barata. Acima do passo, a $12,00 contra $15,00, é 20 por cento mais barata. E na entrada em cache, a ordem se inverte completamente: os $0,10 por milhão do GPT-6.1 Sol são um quinto dos $0,50 do Grok 4.6 antes do passo e um décimo depois dele.

Para uma carga de trabalho agêntica que relê um prefixo fixo longo a cada turno — um repositório, um conjunto de contratos, uma transcrição longa —, essa linha de cache vale mais do que a taxa base, e aponta na direção oposta. Para uma carga de trabalho que gera muita saída a partir de um prompt curto, os US$ 6,00 do Grok 4.6 são a linha que decide.

Nossos próprios dados de serving, e por que parte deles deve ser ignorada

O catálogo do OrcaRouter traz um painel de serviço de sete dias para cada modelo, e em um desses dois ele é um artefato, não uma medição. O painel do Grok 4.6 indica uma latência p50 de 6.250 milissegundos e uma taxa de erro de 56,76%, em uma janela na qual ele serviu 1.212.441 tokens. O painel do GPT-6.1 Sol indica um p50 de 2.442 milissegundos, 95,57 tokens de saída por segundo, uma taxa de erro de 6,36% e 421.752.431 tokens servidos nos mesmos sete dias.

Os números de tráfego são os que devem ser lidos primeiro, porque explicam o resto. Um modelo que serviu 1,2 milhão de tokens ao longo de uma semana tem uma amostra pequena demais para que uma taxa de erro tenha muito significado — nesse volume, uma taxa de 56,76% reflete algumas dezenas de tentativas, não uma qualidade de serviço, e tratar isso como evidência de que o Grok 4.6 não é confiável seria ler um artefato de medição como uma medição. Nosso painel GPT-6.1 Sol tem cerca de 350 vezes o tráfego por trás dele, o que o torna um número utilizável sobre nossos usuários do playground e ainda não uma propriedade do modelo.

O que não podemos dizer

Faltam três coisas nesta comparação, e nenhuma delas pode ser suprida por argumentação.

A primeira é uma pontuação de agente de terminal da mesma versão para ambos os modelos. Até que a Artificial Analysis pontue o Grok 4.6 no Terminal-Bench 4.0, ou o GPT-6.1 Sol no 2.1, a comparação agêntica repousa sobre o número de um modelo e o silêncio de outro. Quem lhe disser que a diferença de 56,06% contra 21,21% é uma lacuna de capacidade está citando uma diferença de revisão.

O segundo é o teto de saída do Grok 4.6. Esse campo não foi medido no nosso registro, então uma carga de trabalho que depende de respostas únicas muito longas não tem um número publicado no qual se basear para planejar desse lado.

O terceiro é quanto os dois modelos realmente custam por tarefa concluída. Nosso playground informa um custo médio por tarefa para o Claude Opus 5; não informa nenhum para nenhum desses dois, e os preços de tokens acima são insumos para esse número, e não o número em si. Os próprios números relatados pelo fornecedor, a Open​AI, para o GPT-6.1 Sol descrevem melhorias de custo por tarefa — Terminal-Bench Science 0.1 a $5,47 por tarefa, contra $23,21 para o Claude Opus 5.5 e $23,80 para o GPT-6 Astra, com esforço máximo —, mas esses são números da Open​AI no harness da Open​AI, ninguém de fora os reproduziu, e eles não dizem nada sobre o Grok 4.6.

A escolha

Ambos os modelos são roteados no OrcaRouter pelo preço de tabela do fornecedor com 0% de margem — openai/gpt-6.1-sol a $2.00/$10.00 com entrada em cache a $0.10 e o nível acima de 272K aplicado exatamente como a OpenAI o define, e grok/grok-4.6 a $2.00/$6.00 com o nível acima de 200K aplicado exatamente como a SpaceXAI o define. Uma única chave dá acesso aos dois, os preços acompanham o fornecedor no mesmo dia em que mudam, em vez de no próximo ciclo de faturamento, e o failover automático fica por baixo para que o modelo mais barato possa manter um caminho sem ser a única coisa que o sustenta.

Se a carga de trabalho tiver formato de pergunta e for pesada na saída — recuperação e resposta, geração em volume, qualquer coisa que nunca ultrapasse 200.000 tokens de prompt — o Grok 4.6 é a melhor compra na tabela de preços, por 40 por cento na linha que importa, e os seus 94,9% no GPQA Diamond são um número independente, não uma alegação.

Se a carga de trabalho for agêntica, com prompts longos ou com uso intensivo de cache, o GPT-6.1 Sol é a opção padrão mais segura: ele lidera em todos os eixos independentes que os dois compartilham, exceto SciCode, suas leituras de cache custam um quinto das do Grok 4.6, e seu teto de saída publicado é um número com o qual você pode planejar. A janela de 500.000 tokens do Grok 4.6 é generosa, e a janela de 1.050.000 tokens do GPT-6.1 Sol é o dobro dela — mas, em um prompt genuinamente longo, a essa altura ambos já entraram em seus níveis duplicados, que é onde a diferença de preço cai para 20% e deixa de ser o motivo para escolher qualquer um dos dois.

O veredito que resiste às evidências: o Grok 4.6 é o modelo mais barato e o GPT-6.1 Sol é o mais ponderado, e a diferença de 35 pontos no benchmark de terminal que anda circulando é uma comparação entre duas versões diferentes do benchmark, não entre dois modelos.