GPT-6.1 Sol vs Grok 4.6: ปัญหา Accept-Header และส่วนต่าง 35 คะแนนที่ไม่มีอยู่จริง

มีคู่เปรียบเทียบในตลาดโมเดลปัจจุบันที่ตัวเลือกที่ถูกกว่าเอาชนะเบนช์มาร์กวิทยาศาสตร์ที่ยากที่สุดไปแบบขาดลอย และการเปรียบเทียบทั้งหมดก็ยังไม่เป็นผลดีกับมัน Grok 4.6 เรือธงของ SpaceXAI ตั้งแต่ 2026-08-12 ทำคะแนน 94.9% บน GPQA Diamond — คำถามวิทยาศาสตร์ระดับบัณฑิตศึกษา — เทียบกับ 42.9% บน Humanity's Last Exam สำหรับโมเดลเดียวกัน และมีค่าใช้จ่าย $2.00 ต่อล้านโทเคนอินพุต และ $6.00 ต่อล้านโทเคนเอาต์พุต GPT-6.1 Sol ที่เปิดตัวเมื่อ 2026-09-29 โดย Open​AI ทำคะแนน 52.9% บนชุด HLE เดียวกัน และคิดค่าบริการ $10.00 ต่อล้านโทเคนเอาต์พุต ดังนั้น Grok 4.6 จึงเก่งกว่าในเรื่องยากหนึ่งอย่าง ถูกกว่าในทุกรายการของตารางราคา แต่ครึ่งหลังของการเปรียบเทียบนั้นคือที่ที่ปัญหาที่น่าสนใจซ่อนอยู่: โมเดลทั้งสองไม่ได้ถูกถามคำถามเดียวกันเสมอไป

ตัวเลขด้านล่างนี้เป็นผลการวัดของ Artificial Analysis ที่จัดเก็บไว้ในบันทึกโมเดลของเราเองสำหรับทั้งสองโมเดล เป็นตัวเลขจากผู้จำหน่ายในกรณีที่มีการระบุไว้ และเป็นข้อมูลการให้บริการของเราเอง โดยจะระบุชื่อผู้ประเมินและวันที่กำกับไว้ทุกจุดที่ตัวเลขอาจคลุมเครือ

หมายเลขเวอร์ชันที่ทำงาน

เริ่มจากตัวเลขที่ดูเหมือนความพ่ายแพ้ยับเยิน แต่ไม่ใช่ Artificial Analysis ดำเนินการทดสอบมาตรฐาน (benchmark) สำหรับเอเจนต์เทอร์มินัลสองรายการ และได้ให้คะแนนโมเดลทั้งสองตัวในแต่ละรายการ:

• Terminal-Bench 2.1 — Grok 4.6 ได้คะแนน 88.39%; GPT-6.1 Sol ไม่ได้อยู่ในรายชื่อของเวอร์ชันนี้

• Terminal-Bench 4.0 — Grok 4.6 ทำคะแนนได้ 21.21%; GPT-6.1 Sol ทำคะแนนได้ 56.06%

อ่านแค่แถวที่สอง แล้ว Grok 4.6 ดูเหมือนไม่สามารถทำงานในเชลล์ให้เสร็จได้ อ่านทั้งสองแถว แล้วจะชัดเจนว่าความแตกต่างอยู่ที่ฮาร์เนส ไม่ใช่ตัวโมเดล Terminal-Bench 4.0 เป็นฉบับแก้ไขที่ยากขึ้นของแนวคิดเดียวกัน และโมเดลทั้งสองถูกให้คะแนนบนเบนช์มาร์กนี้ในเวลาที่ต่างกัน — บันทึกของ GPT-6.1 Sol บน Artificial Analysis ระบุวันที่ประเมินเป็น 2026-09-28 ส่วนของ Grok 4.6 ระบุ 2026-08-12 ช่องว่าง 35 คะแนนระหว่างสองโมเดลที่วัดห่างกันหกสัปดาห์บนเบนช์มาร์กที่ถูกแก้ไขในช่วงเวลานั้น ไม่ใช่หลักฐานว่าโมเดลใดโมเดลหนึ่งใช้เทอร์มินัลไม่ได้ มันเป็นหลักฐานว่าคุณไม่ควรเปรียบเทียบสองช่องนั้น

ฉบับที่ซื่อตรงของการเปรียบเทียบแบบ agentic คือฉบับที่แคบกว่า: Grok 4.6 ได้ 88.39% บน Terminal-Bench 2.1 และไม่มีตัวเลขของ GPT-6.1 Sol บนเวอร์ชันนั้นให้วางเทียบข้าง ๆ นั่นคือช่องโหว่ในหลักฐาน และส่วนที่เหลือของบทความนี้ก็ปฏิบัติต่อมันในฐานะช่องโหว่เช่นกัน

ทั้งสองคืออะไร

Grok 4.6 เป็นเรือธงรุ่นปัจจุบันของสาย Gro​k โดยได้รับการระบุเป็น "Latest" ในเอกสารสำหรับนักพัฒนาของ SpaceXAI เอง สืบทอดต่อจาก Grok 4.5 ด้วยหน้าต่างบริบทขนาด 500,000 โทเคนเท่าเดิม และขอบเขตการรับข้อมูลแบบข้อความ รูปภาพ และไฟล์แบบเดียวกัน รองรับความพยายามในการใช้เหตุผลที่ปรับแต่งได้ การเรียกใช้เครื่องมือแบบเนทีฟ เอาต์พุตแบบมีโครงสร้าง และขอบเขตการสุ่มตัวอย่างเต็มรูปแบบ — temperature, top_p, seed, logprobs, penalties — ซึ่งเป็นรายละเอียดที่มีนัยสำคัญ ต่างจาก GPT-6.1 Sol ตรงที่มันยอมรับ temperature

GPT-6.1 Sol เป็นสแนปช็อตเดียว — gpt-6.1-sol ไม่มีเวอร์ชันที่ระบุวันที่ — โดยมีหน้าต่างบริบท 1,050,000 โทเคน เอาต์พุตสูงสุด 128,000 พื้นผิวอินพุตข้อความ รูปภาพ และไฟล์แบบเดียวกัน และระดับความพยายามห้าระดับที่ค่าเริ่มต้นเป็นปานกลาง ไม่รับ temperature หรือ top_p; การสุ่มจะถูกแทนที่ด้วยปุ่มปรับระดับความพยายาม

แถวข้อมูลจำเพาะที่วางเคียงข้างกัน ในมิติที่แตกต่างกัน:

• หน้าต่างบริบท — 1,050,000 โทเค็นสำหรับ GPT-6.1 Sol เทียบกับ 500,000 สำหรับ Grok 4.6 GPT-6.1 Sol มีขนาดหน้าต่างมากกว่าสองเท่าเพียงเล็กน้อย

• เอาต์พุตสูงสุด — 128,000 โทเคนสำหรับ GPT-6.1 Sol ส่วนเพดานเอาต์พุตของ Grok 4.6 ไม่ได้ระบุไว้ในบันทึกแค็ตตาล็อกของเราสำหรับโมเดลดังกล่าว ซึ่งเป็นฟิลด์ที่ไม่เคยถูกกรอกข้อมูลเลย มิใช่มีค่าเป็นศูนย์

• พารามิเตอร์การสุ่มตัวอย่าง — อุณหภูมิ, top_p, seed และพารามิเตอร์การลงโทษ ใช้งานได้บน Grok 4.6 แต่ถูกปฏิเสธโดย GPT-6.1 Sol

• ราคาพื้นฐาน — $2.00/$6.00 สำหรับ Grok 4.6 เทียบกับ $2.00/$10.00 สำหรับ GPT-6.1 Sol ซึ่งอยู่ในระดับแรกของทั้งสองโมเดล

ห้าแกน หนึ่งทิศทางที่ชัดเจน

โมเดลทั้งสองมีข้อมูลการวัดที่เป็นอิสระร่วมกันมากพอที่จะเปรียบเทียบกันได้อย่างเหมาะสม และรูปแบบของผลลัพธ์มีความสอดคล้องกันดังนี้:

• AA Intelligence Index — GPT-6.1 Sol 51.8 อันดับ 10 จาก 147 เปอร์เซ็นไทล์ที่ 93.2; Grok 4.6 44.3 อันดับ 20 เปอร์เซ็นไทล์ที่ 86.4

• Humanity's Last Exam — 52.9% เทียบกับ 42.9% สิบคะแนน GPT-6.1 Sol.

• การเรียกคืนบริบทแบบยาว — 83% เทียบกับ 80.33%

• SciCode — 54.2% เทียบกับ 56.5% Grok 4.6 นำอยู่ 2.3 จุด เป็นแกนเดียวในสี่แกนนี้ที่มันนำ

• GPQA Diamond — GPT-6.1 Sol ไม่ปรากฏบนแกนนี้ในบันทึกของเรา ส่วน Grok 4.6 ทำได้ 94.9% ซึ่งเป็นตัวเลขที่สูงที่สุดเพียงหนึ่งเดียวบนการ์ดของมัน

แกนสองแกนของ Grok 4.6 ไม่ได้รับการวัดในฝั่งของ GPT-6.1 Sol และหนึ่งในแกนของ GPT-6.1 Sol ก็ไม่ได้รับการวัดในฝั่งของ Grok 4.6 นั่นคือรูปแบบมาตรฐานของการเปรียบเทียบระหว่างโมเดลที่ประเมินตามกำหนดการที่ต่างกัน และวิธีจัดการกับเรื่องนี้คือปล่อยให้เซลล์เหล่านั้นว่างไว้ แทนที่จะเติมข้อมูลลงไปจากสไลด์เปิดตัว

ต้องมีการกระทบยอดหนึ่งจุดใน Intelligence Index การรายงานก่อนหน้านี้บนบล็อกนี้ระบุว่า Grok 4.6 อยู่ที่ 61 บนดัชนีเดียวกัน บันทึกปัจจุบันของเรามีแถวเพิ่มเติมที่มีค่านั้น เคียงคู่กับตัวเลข 44.3 ข้างต้น — ดัชนีนี้ได้รับการแก้ไขและให้คะแนนใหม่ และค่าทั้งสองมีอยู่สำหรับโมเดลเดียวกัน ใครก็ตามที่อ้างอิงตำแหน่งดัชนีของ Grok 4.6 ควรระบุว่าหมายถึงการแก้ไขครั้งใด เพราะความต่างระหว่าง 61 กับ 44.3 นั้นมากกว่าช่องว่างที่บทความทั้งหมดนี้พูดถึง

เรทการ์ด และขั้นตอนที่อยู่ภายใน

Grok 4.6 ถูกกว่าในทุกรายการพื้นฐาน และมีรายการให้เลือกมากกว่า ตารางอัตราค่าบริการของมัน:

• สูงสุด 200,000 โทเคนพรอมป์ต์ — อินพุต $2.00, เอาต์พุต $6.00, อินพุตแคช $0.50

• เกิน 200,000 โทเคนพรอมป์ต์ — คำขอทั้งหมดจะถูกปรับราคาใหม่เป็นอินพุต $4.00, เอาต์พุต $12.00, อินพุตที่แคชไว้ $1.00

GPT-6.1 Sol's:

• สูงสุด 272,000 โทเค็นพรอมป์ต์ — $2.00 สำหรับอินพุต, $10.00 สำหรับเอาต์พุต, $0.10 สำหรับอินพุตที่แคชไว้, $2.50 สำหรับการเขียนแคช

• มากกว่า 272,000 โทเค็นพรอมต์ — ทั้งคำขอจะถูกปรับราคาใหม่เป็นอินพุต $4.00 เอาต์พุต $15.00 อินพุตแคช $0.20 การเขียนแคช $5.00

ทั้งคู่ปรับขั้น และขั้นทั้งสองอยู่ในช่วงเดียวกันของความยาวพรอมป์ต์ — แต่สังเกตว่าขั้นเหล่านี้ส่งผลต่อช่องว่างหลักอย่างไร ภายในระดับแรก เอาต์พุตของ Grok 4.6 ถูกลง 40 เปอร์เซ็นต์ เหนือขั้นขึ้นไป ที่ $12.00 เทียบกับ $15.00 ราคาถูกลง 20 เปอร์เซ็นต์ และกับอินพุตแบบแคช ลำดับกลับกันโดยสิ้นเชิง: $0.10 ต่อล้านของ GPT-6.1 Sol คิดเป็นหนึ่งในห้าของ $0.50 ของ Grok 4.6 ก่อนขั้น และเป็นหนึ่งในสิบหลังจากนั้น

สำหรับภาระงานแบบเอเจนติกที่อ่านคำนำหน้าคงที่ยาว ๆ ซ้ำใหม่ในทุกเทิร์น — ไม่ว่าจะเป็นรีโป ชุดสัญญา หรือทรานสคริปต์ยาว — แถวแคชนั้นมีค่ามากกว่าอัตราฐาน และมันชี้ไปในทางตรงกันข้าม สำหรับภาระงานที่สร้างเอาต์พุตจำนวนมากจากพรอมป์สั้น ๆ ราคา $6.00 ของ Grok 4.6 คือเส้นที่ใช้ตัดสิน

ข้อมูล serving ของเราเอง และเหตุใดบางส่วนของข้อมูลนี้จึงควรถูกละเลย

แคตตาล็อกของ OrcaRouter มีแผงข้อมูลการให้บริการเจ็ดวันสำหรับแต่ละโมเดล และในหนึ่งในสองโมเดลนี้ มันเป็นอาร์ติแฟกต์มากกว่าจะเป็นผลจากการวัด แผงของ Grok 4.6 แสดงความหน่วง p50 ที่ 6,250 มิลลิวินาที และอัตราข้อผิดพลาด 56.76% ภายในช่วงเวลาที่มันให้บริการ 1,212,441 โทเคน แผงของ GPT-6.1 Sol แสดงค่า p50 ที่ 2,442 มิลลิวินาที, 95.57 โทเคนเอาต์พุตต่อวินาที, อัตราข้อผิดพลาด 6.36% และโทเคนที่ให้บริการ 421,752,431 โทเคนในเจ็ดวันเดียวกัน

ตัวเลขทราฟฟิกเป็นสิ่งที่ควรอ่านก่อน เพราะมันอธิบายส่วนที่เหลือ โมเดลที่ให้บริการ 1.2 ล้านโทเคนในหนึ่งสัปดาห์มีตัวอย่างที่บางเกินไปจนอัตราความผิดพลาดจะมีความหมายอะไรมากนัก — ที่ปริมาณนั้น อัตรา 56.76% สะท้อนความพยายามเพียงไม่กี่สิบครั้ง ไม่ใช่คุณภาพของบริการ และการตีความว่ามันเป็นหลักฐานว่า Grok 4.6 ไม่น่าเชื่อถือ ก็เท่ากับอ่านสิ่งประดิษฐ์จากการวัดเป็นตัวการวัด แผง GPT-6.1 Sol ของเรามีทราฟฟิกอยู่เบื้องหลังราว 350 เท่า ซึ่งทำให้มันเป็นตัวเลขที่ใช้งานได้เกี่ยวกับผู้ใช้ playground ของเรา และยังไม่ใช่คุณสมบัติของโมเดล

สิ่งที่เราไม่สามารถบอกคุณได้

การเปรียบเทียบนี้ขาดไปสามสิ่ง และไม่มีสิ่งใดในนั้นที่สามารถเติมเต็มได้ด้วยการโต้แย้ง

อย่างแรกคือคะแนนเอเจนต์เทอร์มินัลเวอร์ชันเดียวกันสำหรับทั้งสองโมเดล จนกว่า Artificial Analysis จะให้คะแนน Grok 4.6 บน Terminal-Bench 4.0 หรือ GPT-6.1 Sol บน 2.1 การเปรียบเทียบด้านเอเจนต์ก็ขึ้นอยู่กับตัวเลขของโมเดลหนึ่งและความเงียบของอีกโมเดลหนึ่ง ใครก็ตามที่บอกคุณว่าส่วนต่าง 56.06% กับ 21.21% เป็นช่องว่างด้านความสามารถ กำลังอ้างความแตกต่างของการแก้ไขเวอร์ชัน

ประการที่สองคือเพดานเอาต์พุตของ Grok 4.6 ฟิลด์นี้ไม่ได้ถูกวัดในบันทึกของเรา ดังนั้นปริมาณงานที่พึ่งพาการตอบกลับเดี่ยวที่ยาวมากจึงไม่มีตัวเลขที่เผยแพร่ให้ใช้วางแผนในด้านนั้น

ข้อที่สามคือค่าใช้จ่ายที่ทั้งสองโมเดลต้องจ่ายจริงต่อหนึ่งงานที่ทำสำเร็จ playground ของเรารายงานต้นทุนเฉลี่ยต่องานสำหรับ Claude Opus 5 แต่ไม่ได้รายงานค่าดังกล่าวสำหรับสองตัวนี้ และราคาโทเคนข้างต้นเป็นเพียงข้อมูลนำเข้าสู่ตัวเลขนั้น ไม่ใช่ตัวเลขนั้นเอง ตัวเลขที่ OpenAI รายงานเองในฐานะผู้ขายสำหรับ GPT-6.1 Sol บรรยายถึงการปรับปรุงต้นทุนต่องาน — Terminal-Bench Science 0.1 อยู่ที่ $5.47 ต่องาน เทียบกับ $23.21 สำหรับ Claude Opus 5.5 และ $23.80 สำหรับ GPT-6 Astra ที่ระดับความพยายามสูงสุด — แต่ตัวเลขเหล่านั้นเป็นตัวเลขของ OpenAI บน harness ของ OpenAI ไม่มีใครภายนอกทำซ้ำได้ และตัวเลขเหล่านั้นไม่ได้บอกอะไรเกี่ยวกับ Grok 4.6

ทางเลือก

ทั้งสองโมเดลถูกกำหนดเส้นทางบน OrcaRouter ที่ราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% — openai/gpt-6.1-sol ที่ $2.00/$10.00 พร้อมอินพุตที่แคชไว้ราคา $0.10 และระดับที่เกิน 272K ถูกนำมาใช้ตรงตามที่ Open​AI กำหนด และ grok/grok-4.6 ที่ $2.00/$6.00 โดยระดับที่เกิน 200K ถูกนำมาใช้ตรงตามที่ SpaceXAI กำหนด คีย์เดียวเข้าถึงได้ทั้งสอง ราคาจะตามผู้จำหน่ายทันทีในวันที่เปลี่ยนแปลง ไม่ใช่รอถึงรอบบิลถัดไป และ ระบบสลับไปใช้เส้นทางสำรองอัตโนมัติอยู่เบื้องหลัง เพื่อให้โมเดลที่ถูกกว่าสามารถรักษาเส้นทางไว้ได้โดยไม่ต้องเป็นสิ่งเดียวที่ค้ำเส้นทางนั้นไว้

หากภาระงานมีลักษณะเป็นคำถามและเน้นเอาต์พุตเป็นหลัก — การค้นคืนและตอบคำถาม การสร้างเนื้อหาปริมาณมาก อะไรก็ตามที่ไม่มีวันยาวเกิน 200,000 โทเคนของพรอมป์ต์ — Grok 4.6 เป็นตัวเลือกที่น่าซื้อกว่าบนเรตการ์ด โดยถูกกว่า 40 เปอร์เซ็นต์ในบรรทัดที่สำคัญ และคะแนน GPQA Diamond 94.9% ของมันเป็นตัวเลขจากแหล่งอิสระ ไม่ใช่คำกล่าวอ้าง

ถ้าปริมาณงานเป็นแบบ agentic พรอมป์ยาว หรือใช้แคชหนัก GPT-6.1 Sol เป็นค่าเริ่มต้นที่ปลอดภัยกว่า: มันนำในทุกแกนอิสระที่ทั้งสองมีร่วมกัน ยกเว้น SciCode การอ่านแคชของมันมีค่าใช้จ่ายเป็นหนึ่งในห้าของ Grok 4.6 และเพดานเอาต์พุตที่เผยแพร่ของมันเป็นตัวเลขที่คุณใช้วางแผนได้ หน้าต่าง 500,000 โทเคนบน Grok 4.6 นั้นกว้างขวาง และหน้าต่าง 1,050,000 โทเคนบน GPT-6.1 Sol ก็เป็นสองเท่าของอันนั้น — แต่กับพรอมป์ที่ยาวจริง ๆ ตอนนั้นทั้งคู่ก็ได้ก้าวเข้าสู่ระดับที่เพิ่มเป็นสองเท่าของตัวเองแล้ว ซึ่งตรงจุดนั้นช่องว่างราคาแคบลงเหลือ 20 เปอร์เซ็นต์และเลิกเป็นเหตุผลในการเลือกอันใดอันหนึ่ง

ข้อสรุปที่ยังยืนหยัดเมื่อพิจารณาหลักฐาน: Grok 4.6 เป็นโมเดลที่ราคาถูกกว่า และ GPT-6.1 Sol เป็นโมเดลที่สุขุมกว่า และส่วนต่าง 35 จุดใน terminal-benchmark ที่ถูกพูดถึงกันนั้นเป็นการเปรียบเทียบระหว่าง benchmark สองเวอร์ชันที่ต่างกัน ไม่ใช่การเปรียบเทียบระหว่างโมเดลสองตัว