GPT-6.1 Sol 对比 Grok 4.6：Accept-Header 问题，以及一个并不真实的 35 分差距

当前模型市场上存在这样一组对比：更便宜的那个选项在最难的科学基准测试中直接胜出，而整场比较的结论却依然不偏向它。Grok 4.6自 2026-08-12 起便是 SpaceXAI 的旗舰模型，在 GPQA Diamond（研究生水平的科学问题）上得分 94.9%，而同一模型在 Humanity's Last Exam 上得分 42.9%；其价格为每百万输入 2.00 美元、每百万输出 6.00 美元。GPT-6.1 Sol是 OpenAI 于 2026-09-29 发布的版本，在同一套 HLE 题目上得分 52.9%，每百万输出收费 10.00 美元。所以 Grok 4.6 在一件难事上更强，在价目表的每一行上都更便宜，然而这场对比的后半部分才是真正有意思的问题所在：这两个模型并不总是在被问同一个问题。

以下数字是 Artificial Analysis 在我们自有的两个模型记录上进行的测量结果、标注为厂商提供的数据，以及我们自己的服务数据。只要某个数字可能存在歧义，都会注明评估方和日期。

正在发挥作用的版本号

先从那些看起来像溃败、实则并非如此的数字说起。Artificial Analysis 运行两项终端智能体基准测试，并已在每项基准上为两个模型打分：

• Terminal-Bench 2.1——Grok 4.6 得分为 88.39%；GPT-6.1 Sol 未在此版本中列出。

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

只读第二行，Grok 4.6 看起来无法在 shell 中完成一项任务。把两行都读了，就会清楚：差别在于评测框架，而不在于模型。Terminal-Bench 4.0 是同一理念的一个更难修订版，而这两个模型是在不同时间基于它评分的——GPT-6.1 Sol 的 Artificial Analysis 记录所载的评估日期是 2026-09-28，Grok 4.6 的则是 2026-08-12。两个模型相隔六周进行测量，而基准又在这段时间窗口内被修订过，由此得出的 35 分差距并不能证明其中一个不会使用终端。它只能证明，你不应该比较这两个单元格。

对智能体能力做比较时，诚实的版本是更狭窄的那个：Grok 4.6 在 Terminal-Bench 2.1 上得分 88.39%，而该版本上没有 GPT-6.1 Sol 的分数可以与之并列。这是证据中的一个缺口，本文其余部分也将其视为缺口。

这两者是什么

Grok 4.6 是 Grok 系列当前的旗舰模型，在 SpaceXAI 自家的开发者文档中被列为“Latest”，它接替 Grok 4.5，拥有相同的 500,000 token 上下文窗口，以及相同的文本、图像输入面。它支持可配置的推理投入程度、原生工具调用、结构化输出，以及完整的采样参数面——temperature、top_p、seed、logprobs、penalties——这一点很值得注意：与 GPT-6.1 Sol 不同，它接受 temperature。

GPT-6.1 Sol 是一个单一快照——gpt-6.1-sol，没有带日期的变体——具有 1,050,000 个 token 的上下文窗口，最大输出 128,000 个 token，相同的文本、图像和文件输入端，以及五个努力级别，默认为 medium。它不接受 temperature 或 top_p；采样已被努力程度调节盘取代。

在有差异的维度上，将规格行并排显示：

• 上下文窗口——GPT-6.1 Sol 为 1,050,000 个 token，而 Grok 4.6 为 500,000 个。GPT-6.1 Sol 的窗口刚超过后者的两倍。

• 最大输出 — GPT-6.1 Sol 为 128,000 个 token；我们的 Grok 4.6 目录记录中未公布其输出上限，该字段从未填写过，而不是填为零。

• 采样参数 — temperature、top_p、seed 以及各惩罚参数在 Grok 4.6 上可用，但会被 GPT-6.1 Sol 拒绝。

• 基础价格 — Grok 4.6 为 $2.00/$6.00，而 GPT-6.1 Sol 为 $2.00/$10.00，且均处于两款模型的第一档内。

五个维度，一个清晰方向

这两个模型拥有足够多的独立测量结果，因此可以进行恰当的比较，而且结果的形态是一致的：

• AA Intelligence Index — GPT-6.1 Sol 51.8，在 147 个中排名第 10，位于第 93.2 百分位；Grok 4.6 44.3，排名第 20，位于第 86.4 百分位。

• Humanity's Last Exam — 52.9% 对 42.9%。十个百分点的差距，GPT-6.1 Sol。

• 长上下文召回率 — 83%，对比 80.33%。

• SciCode——54.2% 对 56.5%。Grok 4.6 领先 2.3 个百分点，这是这四个维度中它唯一领先的一项。

• GPQA Diamond——在我们的记录中，GPT-6.1 Sol 并未列于该坐标轴上；Grok 4.6 的得分为 94.9%，是其成绩卡上最强的单一数字。

Grok 4.6 有两条轴在 GPT-6.1 Sol 一侧未得到测量，而 GPT-6.1 Sol 有一条轴在 Grok 4.6 一侧未得到测量。对于按不同时间表评估的模型而言，这正是比较的标准形态，而处理方式应当是让这些单元格留空，而不是用发布会幻灯片去填充它们。

Intelligence Index 上需要做一项核对。本博客早前的报道在同一指数上将 Grok 4.6 列为 61。我们当前的记录中有一行额外数据带有该值，并与上文的 44.3 并列——该指数已经过修订并重新评分，同一模型存在两种读数。任何引用 Grok 4.6 指数位置的人都应说明自己指的是哪个修订版本，因为 61 与 44.3 之间的差距比整篇文章所讨论的差距还要大。

费率卡，以及其中的步骤

Grok 4.6 在每条基础线路上都更便宜，并且线路列表更长。它的费率卡：

• 最多 200,000 个提示词元 — 输入 $2.00，输出 $6.00，缓存输入 $0.50。

• 提示 token 超过 200,000 时 — 整个请求将重新计价为输入 $4.00、输出 $12.00、缓存输入 $1.00。

GPT-6.1 Sol 的：

• 最多 272,000 个提示 token — 输入 $2.00，输出 $10.00，缓存输入 $0.10，缓存写入 $2.50。

• 超过 272,000 个提示词 token 时 —— 整个请求将重新计价为每百万 token $4.00 输入、$15.00 输出、$0.20 缓存输入、$5.00 缓存写入。

两个阶梯都是如此，而且两个阶梯都落在相同的提示长度区间内——但请注意这些阶梯对主要差距做了什么。在第一档内，Grok 4.6 的输出便宜 40%。超过该阶梯后，以 12.00 美元对 15.00 美元，它便宜 20%。而在缓存输入上，排序完全反转：GPT-6.1 Sol 的每百万 0.10 美元是 Grok 4.6 在阶梯前 0.50 美元的五分之一，在阶梯后则是十分之一。

对于每一轮都会重新读取一段很长固定前缀的智能体工作负载——比如一个代码仓库、一套合同、一份很长的对话记录——那一行缓存的价值就高于基础费率，而且它指向相反的方向。对于用简短提示词产生大量输出的工作负载，Grok 4.6 的 $6.00 就是决定性的那条线。

我们自己的服务数据，以及为什么其中一部分应被忽略

OrcaRouter 的目录为每个模型都提供了一份七天服务面板，而在这两个模型中的某一个上，它呈现的是伪影而非真实测量结果。Grok 4.6 的面板显示：p50 延迟为 6,250 毫秒，错误率为 56.76%，而在该统计窗口内它共计服务了 1,212,441 个 token。GPT-6.1 Sol 的面板则显示：p50 为 2,202 毫秒，每秒输出 95.57 个 token，错误率为 6.36%，并在同样的七天内服务了 421,752,431 个 token。

流量数字是需要最先看的，因为它们解释了其余部分。一个在一周内处理了 120 万个 token 的模型，其样本太单薄，错误率说明不了什么——在这样的量级下，56.76% 的比率反映的是几十次尝试，而不是服务质量，把它当作 Grok 4.6 不可靠的证据，就是把测量伪影当成测量结果来读。我们的 GPT-6.1 Sol 面板背后大约有 350 倍的流量，这使它成为一个可用于描述我们 playground 用户的数字，但依然不是模型本身的属性。

我们无法告诉你的事

这个比较中缺少三样东西，而它们都无法靠论证来填补。

第一个是两个模型在同一版本上的终端智能体得分。在 Artificial Analysis 对 Grok 4.6 在 Terminal-Bench 4.0 上评分，或对 GPT-6.1 Sol 在 2.1 上评分之前，智能体对比就只能依赖一个模型的数字和另一个模型的沉默。任何告诉你 56.06% 对 21.21% 的差距是能力差距的人，引用的其实是版本修订差异。

第二项是 Grok 4.6 的输出上限。该字段在我们的记录中未经过测量，因此对于依赖超长单次响应的工作负载，在这一侧没有已发布的数字可供规划参考。

第三个是这两款模型每完成一个任务的实际成本。我们的测试场报告了 Claude Opus 5 的平均每任务成本；它没有为这两款模型中的任何一个报告这一数字，而上面的 token 价格只是构成那个数字的输入，而不是数字本身。Open​AI 自己为 GPT-6.1 Sol 提供的厂商报告数据描述了每任务成本的改善——Terminal-Bench Science 0.1 为每任务 5.47 美元，相比之下 Claude Opus 5.5 为 23.21 美元、GPT-6 Astra 为 23.80 美元（均在最大努力程度下）——但那是 Open​AI 在自己的评测框架上得出的数字，外部没有人复现过，而且它们对 Grok 4.6 只字未提。

选择

两款模型均按提供商的标价在 OrcaRouter 上路由，零加价——openai/gpt-6.1-sol为 $2.00/$10.00，缓存输入 $0.10，超过 272K 的分层定价完全按 OpenAI 的设定执行；grok/grok-4.6为 $2.00/$6.00，超过 200K 的分层定价完全按 SpaceXAI 的设定执行。一个密钥即可访问两者，价格随供应商在同一天变更而同步，而非等到下一个计费周期，且底层设有自动故障转移，让更便宜的模型能够撑起一条路径，而不必成为唯一的支撑。

如果工作负载是问题形态的，且输出量很大——检索与回答、大规模生成，以及任何提示词从不超过 200,000 个 token 的场景——那么按价目表来看，Grok 4.6 是更划算的选择，在最关键的那一项上便宜 40%，而且其 94.9% 的 GPQA Diamond 是独立数据，并非宣称。

如果工作负载是智能体式的、长提示词的或缓存密集型的，GPT-6.1 Sol 是更稳妥的默认选择：在两者共有的每一项独立指标上，除了 SciCode，它都领先；其缓存读取成本只有 Grok 4.6 的五分之一；其公布的输出上限是一个可以据此做规划的数字。Grok 4.6 的 500,000 token 窗口已经很宽裕，而 GPT-6.1 Sol 的 1,050,000 token 窗口是它的两倍——但在真正长的提示词上，到那时两者都已进入翻倍档位，也正是在这里，价格差距缩小到 20%，不再成为选择任何一方的理由。

经得起证据检验的结论是：Grok 4.6 是更便宜的模型，GPT-6.1 Sol 则是更审慎的那个；而流传的 35 分 terminal-benchmark 差距，比较的是两个不同的基准版本，而非两个模型。