GPT-6 Astra vs Grok 4.6: Dött lopp i indexet bröts, och prisskillnaden beror på nivån

GPT-6 Astra och Grok 4.6 låg lika på den enda oberoende resultattavlan som rangordnar båda när den här sidan först publicerades den 4 september 2026. Det är meningen som sidan måste ta tillbaka. Läst mot Artificial Analysis Intelligence Index som det ser ut den 16 september 2026 – version v4.3, tio utvärderingar – ligger GPT-6 Astra (max) på 53 och Grok 4.6 (high) på 44, där det tidigare var oavgjort. Den andra rättelsen är den i rubriken du klickade på. OpenAI​s prislista, läst samma dag, anger GPT-6 Astra till $10.00 per miljon indatatokens, $1.00 per miljon cachade indata och $50.00 per miljon utdata; x​AI​s lista anger Grok 4.6 till $2.00, $0.50 och $6.00. Mot standardindata är det fem gånger. Mot utdata är det 8,3 gånger. Mot cachad indata – den rad som merparten av produktionstrafiken faktiskt debiteras för – är det två gånger. Det finns ingen enda multiplikator, och versionen av den här sidan som påstod en avrundade en prislista med fyra rader till en slogan. Det här är en uppdatering, inte en lansering: GPT-6 Astra är OpenAI​s flaggskepp från den 3 september 2026 och Grok 4.6 är x​AI​s från den 12 augusti 2026. Det som har rört sig sedan dess är mätningen, tillgängligheten och aritmetiken.

Multiplikatorn var aldrig ett enda tal

Börja med de två prislistorna så som deras leverantörer publicerar dem den 16 september 2026, eftersom allt nedströms ärver deras nivåstrukturer. OpenAI anger GPT-6 Astra till $10.00 per 1M indatatoken, $1.00 per 1M cachad indata, $12.50 per 1M cacheskrivningar och $50.00 per 1M utdata, och delar upp prislistan i kolumnerna för kort kontext och lång kontext; bortom tröskeln för lång kontext – 272,000 indatatoken enligt de siffror som rapporteras för denna prislista – omprissätts hela begäran till $20.00 in, $2.00 cachad och $75.00 ut. Batch och Flex faktureras till halva standardpriserna, Fast-läget till det dubbla. xAI anger Grok 4.6 till $2.00 per 1M indata, $0.50 cachad och $6.00 utdata mot ett kontextfönster på 500,000 token, och när en begäran når 200,000 prompttoken faktureras hela begäran till $4.00 in, $1.00 cachad och $12.00 ut. Dessa är leverantörernas prislistor, inte mätningar.

Ställ dem sida vid sida, och den gamla rubrikens multipel faller sönder. Standardindata: 10,00 $ mot 2,00 $, fem gånger. Utdata: 50,00 $ mot 6,00 $, 8,3 gånger. Cachad indata: 1,00 $ mot 0,50 $, två gånger. Indata för lång kontext: 20,00 $ mot 4,00 $, fem gånger igen — men utdata för lång kontext är 75,00 $ mot 12,00 $, eller 6,25 gånger. Femman i den gamla titeln var inte påhittad. Den var en rad i ett kort med fyra rader, klätt i en slogans kläder, och vilken rad du citerar ändrar svaret med en faktor fyra. Den som ger dig ett enda tal för den här matchningen väljer en nivå och berättar inte vilken.

Det finns ett andra skäl till att tokenvis aritmetik inte ger en rättvisande bild av det här paret, och det pekar i motsatt riktning. De båda modellerna gör inte av med samma antal tokens för att slutföra samma arbete, och enligt måttet kostnad per uppgift från Artificial Analysis – den vägda genomsnittskostnaden för att köra deras Intelligence Index-utvärdering – är modellen som är dyr per token den billigare per slutförd uppgift, så snart ansträngningsinställningarna är desamma. I AA:s egna modelldata från den 16 september 2026 landar GPT-6 Astra vid hög ansträngningsnivå på $1.72 per indexuppgift, mot Grok 4.6 på hög ansträngningsnivå, som kostar $1.86. Anledningen står att finna i tokenräkningarna i samma underlag: Astra gör av med 60M uttoken för att köra hela indexet, mot Grok 4.6:s 94M, och 27k uttoken per uppgift mot 36k. Fem gånger indatapriset, vid ungefär två tredjedelar av tokenåtgången, hamnar strax före.

Rubrikparkopplingen på AA:s egen jämförelsesida säger något annat, och båda är sanna. AA:s sida inleder med GPT-6 Astra på max — 3,26 dollar per uppgift, 53 i indexet — ställt mot Grok 4.6 på high, 1,86 dollar och 44. Läst på det sättet verkar premiumpriset inte ge något kostnadsmässigt. Läst vid matchad hög insats är Astra 51 i indexet mot 44 och tio cent billigare per uppgift. Vilken siffra som hör hemma i din budget beror helt och hållet på om du tänker köra Astra på max eller på high, och AA:s sida tvingar dig inte att välja. Det är samma misslyckande som den gamla rubrikens enda multiplikator, en nivå ned.

Dött lopp i indexet är borta, och den ärliga tolkningen är snävare än den ser ut

När den här sidan först skrevs låg båda modellerna på 61 i Artificial Analysis Intelligence Index, och hela artikeln kretsade kring pris. Det resultatet går inte längre att reproducera. På resultattavlan så som den lästes den 16 september 2026 ligger GPT-6 Astra (max) på 53 och Grok 4.6 (high) på 44. Båda modellerna publicerar en fullständig ansträngningsstege, och stegen spelar större roll än den enskilda rad som AA skriver ut på sin jämförelsesida: enligt AA:s egen modelldata ligger GPT-6 Astra på 53 (max), 53 (xhigh), 51 (high), 50 (medium), 46 (low), och Grok 4.6 ligger på 44 (high), 44 (xhigh), 43 (medium), 35 (low). Vid den närmast matchade inställningen, high mot high, är gapet sju punkter.

Två varningar hör hemma i samma andetag. För det första har indexet skurits om: versionen som är live nu är v4.3, byggd från tio utvärderingar – AA-Briefcase, GDPval-AA v2, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience och AA-LCR v1.1 – över en annan modellpopulation än resultattavlan från början av september. En del av ett gap på nio punkter som uppstår är omkalibrering snarare än att något av labben har levererat något nytt, och en läsare som jämför den här sidan med den förra jämför två olika linjaler. För det andra har de två posterna inte matchade ansträngningsinställningar: AA:s jämförelse parar Astras max med Grok 4.6:s high, och en jämförelse mellan max och high är inte likvärdig. Den säkra tolkningen av en spridning på nio punkter på ett index som samlar tio utvärderingar är en verklig men blygsam separation, inte en kross – flera modeller klustrar inom några punkter på ömse sidor om de båda. Vad som kan sägas är motsatsen till vad den här sidan brukade säga: på den oberoende resultattavlan är dessa två inte längre utbytbara, och den dyrare ligger före.

Hastigheten, som den tidigare versionen av den här sidan tvingades lämna tom för Astra, är nu uppmätt — och latenssiffrorna är den mer slående halvan. Artificial Analysis mäter GPT-6 Astra (max) till 52,9 genererade token per sekund mot Grok 4.6 (high) på 57,7, en skillnad man kan känna av vid en lång generering och inte en som bör förändra ett routingbeslut. Tiden till första token är en annan historia: 334,04 sekunder för Astra mot 38,63 för Grok 4.6, och svarstiden från början till slut 343,48 sekunder mot 47,31. Astra tänker i minuter innan den svarar. För batcharbete och agentarbete över natten är det osynligt; för allt interaktivt är det den avgörande siffran, och den finns inte med på någon av prislistorna.

Astras eget benchmarkblad, och vem som får säga vad

OpenAI:s huvudsiffror för GPT-6 Astra, alla leverantörsrapporterade och ingen av dem har reproducerats här: 98 % på FrontierMath Tier 4, 100 % på ExploitBench – mot 78,5 % för OpenAI:s tidigare flaggskepp, GPT-5.6 Sol – och 99,9 % på ARC-AGI-3. Det här är siffrorna som lanseringsbevakningen upprepade, och två av dem förtjänar mer skepsis än de fick.

ARC-AGI-3 först. De 99,9 % kommer från OpenAI:s leverantörsadapter-harness. ARC Prize, som kör benchmarken, mätte separat 62,7 % för samma modell under sin leverantörsneutrala Standard-harness, till en kostnad av 26 098 dollar för körningen. ARC Prizes egen notering är att adaptern bevarar OpenAI:s resonemangstillstånd mellan förfrågningar, så de två siffrorna mäter olika saker och bör aldrig citeras som om de vore samma mätning. Skillnadens storlek gör poängen bättre än något argument: Astra med "none"-resonemang under adaptern får 96,7 %, ungefär 34 punkter över sin egen max-resonemangspoäng under Standard-harness. Den andra siffran är harnessen som utför arbete som modellen inte gjorde.

FrontierMath Tier 4 är den andra. Siffran 98 % är Open​AI:s egen rapport om ett benchmark vars utveckling Open​AI finansierade; minst en jämförelsetabell från lanseringsveckan anger 97,6 % för samma resultat. Behandla båda som leverantörsrapporterade och ingendera som avgjord.

Det som överlever harness-argumentet är värt att behålla. ARC Prize fann också att Astra använde färre åtgärder än den testade mänskliga medianen på 96 % av de nivåer den klarade, i genomsnitt 51,7 % färre åtgärder per nivå jämfört med en mänsklig baslinje hämtad från ungefär 500 deltagare – ett effektivitetsresultat som inte beror på adaptern. Och ARC Prize sade uttryckligen att de inte hävdar att Astra är AGI: miljöerna är avgränsade och deterministiska, och att mätta ett benchmark är inte bevis för generell förmåga. På den oberoende kodningssidan listar Datacurves DeepSWE v1.1 – 113 uppgifter i 91 aktiva repositorier med öppen källkod – GPT-6 Astra på 74,1 %. Det är ett starkt resultat snarare än ett separerat sådant; toppen av den resultattavlan är ett kluster, och en resultattavla där de främsta posterna ligger inom ett par punkter från varandra är en resultattavla som handlar om osäkerhet lika mycket som om förmåga. Ingen siffra för Grok 4.6 vid en jämförbar inställning publicerades på den när detta skrevs, så denna dimension har en sida.

Två arbetssätt, och en verklig skillnad i kontroll.

Även när poängen är jämn är dessa två inte överens om hur du styr dem. Grok 4.6 är en enda stark modell med en explicit ratt för resonemangsansträngning; du bestämmer hur mycket tänkande en begäran förtjänar och betalar ett fast pris för det. GPT-6 Astra arbetar längre på egen hand och är byggd för att pausa för granskning innan den fattar beslut. Det är också den första Open​AI-modellen som företaget har klassat som "kritisk" enligt sitt Preparedness Framework för cybersäkerhetsrisk — en egenutvärdering från leverantören, inte en extern slutsats — och Open​AI medger självt att dess övervakningsbarhet har minskat jämfört med dess tidigare flaggskepp, vilket är anledningen till att de mest tillåtande inställningarna är förbehållna granskade partner i stället för att säljas öppet. För ett säkerhetsteam är den begränsningen en funktion. För en utvecklare som vill ha deterministiska, styrbara utdata inom en deadline är det friktion som du betalar ett högre pris för att få.

Resultattavlan, märkt

• Intelligens (oberoende) — matchad insats, hög mot hög: GPT-6 Astra 51, Grok 4.6 44. Såsom AA:s jämförelsesida parkopplar dem: Astra (max) 53 mot Grok 4.6 (hög) 44. Artificial Analysis Intelligence Index v4.3, avläst 16 september 2026. Inte på samma nivå; gapets storlek beror på parkonstellationen.

• Listpris, standardnivå (leverantörsprislistor, lästa 16 september 2026) — GPT-6 Astra $10,00 indata / $50,00 utdata / $1,00 cachad per 1 miljon. Grok 4.6 $2,00 indata / $6,00 utdata / $0,50 cachad per 1 miljon. Fem gånger på indata, 8,3 gånger på utdata, två gånger på cachad indata.

• Listpris, lång kontext (samma kort, samma datum) — GPT-6 Astra: hela begäran omprissattes förbi tröskeln för lång kontext till $20.00 / $2.00 / $75.00. Grok 4.6: hela begäran omprissattes vid 200K prompt-tokens till $4.00 / $1.00 / $12.00.

• Kostnad per uppgift (oberoende) — matchad insats, hög mot hög: GPT-6 Astra 1,72 USD per uppgift i Intelligence Index, Grok 4.6 1,86 USD. Som AA:s jämförelsesida parar dem, Astra (max) 3,26 USD mot Grok 4.6 (hög) 1,86 USD. Artificial Analysis, läst 16 september 2026.

• Latens (oberoende) — GPT-6 Astra: 334,04 s till första token, 343,48 s från början till slut. Grok 4.6: 38,63 s och 47,31 s. Artificial Analysis, läst 16 september 2026. Den största skillnaden på den här sidan. OrcaRouters egen listning för samma modell registrerar en p50-tid till första token på 6,71 s och en p95 på 10,00 s under sju dagar, vilket mäter en annan punkt i svaret och inte är jämförbart med AA:s siffra — sätt inte de två i samma mening som om de vore det.

• Hastighet (oberoende) — GPT-6 Astra 52,9 utdatatokens/s vid max. Grok 4.6 57,7 tokens/s vid hög. Artificial Analysis, läst 16 september 2026.

• Agentisk kodning (oberoende) — GPT-6 Astra 74,1 % på Datacurves DeepSWE v1.1. Ingen jämförbar Grok 4.6-körning hade publicerats på samma resultattavla när detta skrevs, så denna dimension har bara en sida.

• Cyber och resonemang (leverantörsrapporterat) — GPT-6 Astra: FrontierMath Tier 4 98 %, ExploitBench 100 %, ARC-AGI-3 99,9 % på Open​AI:s leverantörsadapter, mot ARC Prize:s oberoende uppmätta 62,7 % i deras Standard-harness. Rapporterat av Open​AI; ej reproducerat här.

• Tillgängligt idag — båda modellerna kan anropas via OrcaRouter med en enda nyckel. Priser enligt routerns lista, avlästa den 16 september 2026: GPT-6 Astra till $10,00 / $50,00 per 1 miljon med en kontext på 1,05 miljoner tokens, Grok 4.6 till $2,00 / $6,00 per 1 miljon med en kontext på 500 000 tokens.

En notis om grafiken på den här sidan, eftersom den innehåller siffror som texten nyanserar. Hero-kortet och resultattavlan visar samma par som Artificial Analysis inleder med – GPT-6 Astra på sin högsta resonemangsinställning mot Grok 4.6 i hög inställning – så resultattavlans intelligensrad visar poängen för maximal ansträngning medan dess kostnadsrad visar kostnaden för hög ansträngning. Båda siffrorna är AA:s, båda är aktuella, och de kommer inte från samma ansträngningsinställning. Texten ovan anger paret med matchad ansträngning där skillnaden spelar roll. Den tidigare versionen av den här sidan innehöll fyra grafikdelar byggda på 61-mot-61-indexavläsningen; de har ersatts snarare än annoterats, eftersom ett hero-kort som gör gällande ett påstående som artikeln tar tillbaka är sämre än inget hero-kort.

Tillgängligheten ändrades, och det ändrar routningssvaret.

Den första versionen av den här sidan tvingades rapportera att GPT-6 Astra inte fanns på OrcaRouter och att Grok 4.6 gjorde det. Båda finns i katalogen nu – GPT-6 Astra under modell-id:t openai/gpt-6-astra till Open​AI:s listpriser, Grok 4.6 under grok/grok-4.6 till x​AI:s. OrcaRouter-listade priser, avlästa den 16 september 2026. Astra-slutpunkten är inte heller någon katalogpost: samma lista registrerar 180,7 miljoner tokens trafik under de föregående sju dagarna, router-listad, avläst samma dag.

Det spelar roll för just den här jämförelsen, eftersom de två korten har olika utformning av prisnivåerna. En router som fakturerar leverantörens listpris med 0 % påslag tillämpar den nivå som förfrågan faktiskt hamnar i: ett Astra-anrop som stannar under tröskeln för lång kontext prissätts inte om från vår sida, och ett Grok 4.6-anrop som passerar 200K prissätts om enligt xAIs regel och inte vår. Varje pris på vår sida förs vidare med 0 % påslag – leverantörens siffra är siffran du betalar, och när en leverantör ändrar den är ändringen live på samma nyckel samma dag. Med båda modellerna på en nyckel är det att dela upp en arbetsbelastning mellan dem – Astra på det svåra autonoma arbetet och Grok 4.6 som bär volymen – en routingändring snarare än ett andra avtal; automatisk failover innebär att en hastighetsgräns på en väg är en routinghändelse i stället för ett avbrott; och routnings-DSL:en låter dig kombinera de två till ett enda anrop när du vill att den billiga modellen ska ta fram ett utkast och den dyra ska granska.

Vem ska betala premien

Köp GPT-6 Astra om ditt arbete ligger i det spann där den nu är mätbart bättre. Det oberoende indexet skiljer den från Grok 4.6 vid de inställningar som AA publicerar, dess DeepSWE v1.1-resultat är ett verkligt oberoende mätvärde, och leverantörens eget benchmark-ark är genuint i framkanten när förbehållen för testramverket räknas in. Budgetera per uppgift i stället för per token, och håll koll på tröskeln för lång kontext, där en enskild förfrågan slutar vara ett dyrt anrop och blir ett mycket dyrt sådant. Köp Grok 4.6 om du vill ha resonemang nära framkanten till en kostnad som klarar en verklig budget, plus den snabbare uppmätta utdatan av de två och en prisstruktur med ett prisstup i stället för två.

Den korrigerade sammanfattningen av denna jämförelse är inte att en femfaldig skillnad inte ger något, och inte att de två är jämbördiga. Det är att skillnaden är verklig på varje nivå och att förhållandet beror på vilken nivå man läser; att prestandagapet nu också är verkligt; och att de två pekar i samma riktning — vilket är motsatsen till vad den här sidan sa den 4 september 2026, och ett bättre skäl att välja mellan dem än en slogan om multiplar.