GPT-6 Astra 对比 Grok 4.6：指数并列被打破，价格差距取决于档位

GPT-6 Astra 和 Grok 4.6 在 2026 年 9 月 4 日本页面首次发布时，在唯一一个同时给两者排名的独立榜单上打成平手。这正是本页不得不收回的那句话。对照 2026 年 9 月 16 日版本的 Artificial Analysis Intelligence Index——v4.3 版，包含十项评估——GPT-6 Astra（max）得 53 分，Grok 4.6（high）得 44 分，而那里曾经是并列。另一处更正，就在你点击的那个标题里。Open​AI 的价目表在同一天显示，GPT-6 Astra 为每百万输入 token 10.00 美元、每百万缓存输入 1.00 美元、每百万输出 50.00 美元；x​AI 的价目表列出 Grok 4.6 为 2.00 美元、0.50 美元和 6.00 美元。按标准输入计算，是五倍。按输出计算，是 8.3 倍。按缓存输入计算——大多数生产流量实际计费所依据的那一行——是两倍。并不存在单一的倍数，而本页那个声称存在单一倍数的版本，是把一份四行价目表四舍五入成了一句口号。这是一次更新，而非发布：GPT-6 Astra 是 Open​AI 自 2026 年 9 月 3 日起的旗舰模型，Grok 4.6 是 x​AI 自 2026 年 8 月 12 日起的旗舰模型。自那以来发生变化的是测量、可用性和算术。

乘数从来都不是一个数字

先从两家供应商于 2026 年 9 月 16 日发布的两张价目表说起，因为下游的一切都继承了它们的档位形态。OpenAI 的文档显示，GPT-6 Astra 为每 100 万输入 token 10.00 美元、每 100 万缓存输入 1.00 美元、每 100 万缓存写入 12.50 美元、每 100 万输出 50.00 美元，并把这张价目表分为短上下文和长上下文两栏；一旦超过长上下文阈值——按此卡公布的数字为 272,000 输入 token——整个请求就重新计价为20.00 美元输入、2.00 美元缓存、75.00 美元输出。Batch 和 Flex 按标准费率的一半计费，Fast 模式按两倍计费。xAI 的文档显示，Grok 4.6 在 500,000 token 上下文窗口下为每 100 万输入 2.00 美元、缓存 0.50 美元、输出 6.00 美元，而一旦某个请求达到 200,000 提示 token，整个请求就按4.00 美元输入、1.00 美元缓存、12.00 美元输出计费。这些是供应商的价目表，而非实测数据。

把它们并排放在一起，旧标题里的那个倍数就分解了。标准输入：$10.00 对 $2.00，五倍。输出：$50.00 对 $6.00，8.3 倍。缓存输入：$1.00 对 $0.50，两倍。长上下文输入：$20.00 对 $4.00，又是五倍——但长上下文输出是 $75.00 对 $12.00，即 6.25 倍。旧标题里的那个五不是凭空编的。它是一张四行卡片中的一行，却披着口号的外衣，而你引用哪一行，答案就会差四倍。任何给这组对比一个单一数字的人，都是选了一个档位，却没告诉你选的是哪个。

还有第二个原因，说明仅按每个 token 来算不足以描述这对模型，而且它的影响方向相反。两个模型完成相同工作所消耗的 token 数并不相同；而在 Artificial Analysis 的每任务成本指标——即运行其 Intelligence Index 评估的加权平均成本——上，一旦匹配投入等级设置，每 token 更贵的模型反而是每个完成的任务更便宜的那个。根据 AA 自己 2026 年 9 月 16 日的模型数据，GPT-6 Astra 在 high 投入等级下为 $1.72 每个 index 任务，而 Grok 4.6 在 high 下为 $1.86。原因就在同一记录中的 token 数：Astra 运行完整 index 要消耗 6000 万输出 token，而 Grok 4.6 为 9400 万；每任务消耗 2.7 万输出 token，而后者为 3.6 万。五倍的输入单价，约三分之二的 token 消耗，最终略微领先。

AA 自家对比页面上的头条式配对所传达的信息有所不同，而两者都是真的。max——每任务 3.26 美元，指数 53——与之对照的是 high 档的 Grok 4.6，1.86 美元、44。这样读，这部分溢价在成本上似乎什么都换不来。若按同等的 high 档来读，Astra 指数为 51 对 44，且每任务还便宜一角钱。哪个数字该写进你的预算，完全取决于你打算以 max 还是 high 档运行 Astra，而 AA 的页面并不让你做这个选择。这与旧标题里那个单一乘数的失误如出一辙，只是低了一个层级。

指数并列已经消失，而诚实的解读比表面上看起来更狭窄。

当本文最初撰写时，两个模型在 Artificial Analysis 智能指数上均为 61 分，整篇文章的核心是价格。这一结论如今已无法复现。根据 2026 年 9 月 16 日读取的榜单，GPT-6 Astra（max）为 53 分，Grok 4.6（high）为 44 分。两个模型都公布了完整的努力程度阶梯，而这一阶梯比 AA 在其对比页面上列出的单行数据更重要：根据 AA 自己的模型数据，GPT-6 Astra 的得分为 53（max）、53（xhigh）、51（high）、50（medium）、46（low），Grok 4.6 则为 44（high）、44（xhigh）、43（medium）、35（low）。在最接近的匹配设置下，即 high 对 high，差距为七分。

有两点提醒应当同时说明。第一，该指数经过了重新切分：当前上线的是 v4.3 版本，由十项评估构建而成——AA-Briefcase、GDPval-AA v2、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1——并且其覆盖的模型群体与九月初的榜单不同。出现的九分差距中有一部分源于重新校准，而不是任何一家实验室发布了新东西；读者若将本页与上一页比较，就是在比较两把不同的尺子。第二，这两个条目并非匹配的努力水平设置：AA 的对比将 Astra 的最高档与 Grok 4.6 的高档配对，而最高档对高档的比较并非同类比较。对于一个捆绑了十项评估的指数，九分差距的稳妥解读是真实但幅度不大的分离，而非碾压——若干模型聚集在两者各自上下几分的范围内。可以这么说，而且这与本页过去所说的相反：在这个独立计分板上，这两者已不再可互换，而更贵的那个领先。

速度——本页早先版本在 Astra 这一项上不得不留空——如今已有测量结果，而延迟数据是更引人注目的那一半。Artificial Analysis 测得 GPT-6 Astra (max) 为每秒 52.9 个输出 token，相比之下 Grok 4.6 (high) 为 57.7；这个差距在长时间生成时能感觉到，但不应重塑路由决策。首 token 时间则完全是另一回事：Astra 为 334.04 秒，Grok 4.6 为 38.63 秒；端到端响应时间为 343.48 秒对 47.31 秒。Astra 在回答前会思考数分钟。对于批处理和夜间智能体任务，这一点是看不见的；对于任何交互式用途，它却是决定性数字，而它在两张价目表上都没有出现。

Astra 自己的基准表，以及谁有权说什么

Open​AI 为 GPT-6 Astra 给出的头条数据，全部由厂商自行报告，本文无一复现：FrontierMath Tier 4 达 98%，ExploitBench 达 100%——而 Open​AI 上一代旗舰 GPT-5.6 Sol 为 78.5%——ARC-AGI-3 达 99.9%。这些正是发布会报道反复引用的数字，而其中两项本该受到比它们所得到的更多质疑。

先看 ARC-AGI-3。那个 99.9% 来自 OpenAI 的供应商适配器测试框架。负责运行该基准测试的 ARC Prize 另行测量了同一模型在其供应商中立的 Standard 测试框架下的表现，为 62.7%，该次运行花费 26,098 美元。ARC Prize 自己的说明指出，该适配器会在请求之间保留 OpenAI 的推理状态，因此这两个数字衡量的是不同的东西，绝不应被当作同一项测量来引用。这一差距之大，比任何论证都更能说明问题：Astra 在适配器下以“none”推理设置得分为 96.7%，比其自身在 Standard 测试框架下最高推理得分的成绩高出约 34 分。第二个数字体现的是测试框架做了模型没做的工作。

FrontierMath Tier 4 是另一个。这个 98% 是 OpenAI 自己针对一个由其资助开发的基准发布的报告；在发布周，至少有一张对比表对同一结果给出的是 97.6%。两者都应按厂商自报来对待，都不能视为已有定论。

能在测试框架之争中留存下来的东西，才值得保留。ARC Prize 还发现，在其完成的所有关卡中，Astra 有 96% 的关卡所用动作数少于受测人类的中位数，相对于由约 500 名参与者构成的人类基线，平均每关少用 51.7% 的动作——这一效率结果并不取决于适配器。而且 ARC Prize 明确表示，它并非声称 Astra 已具备 AGI：这些环境是有界的、确定性的，而刷满一个基准测试并不能证明通用能力。在独立编码方面，Datacurve 的 DeepSWE v1.1——涵盖 91 个活跃开源代码库的 113 项任务——将 GPT-6 Astra 列为 74.1%。这是一个强劲的结果，而非遥遥领先的结果；该榜单的头部是一个集群，而一个头部条目彼此仅相差几分的榜单，既关乎能力，也同样关乎不确定性。截至撰写本文时，该榜单上并未发布可比设置下的 Grok 4.6 数据，因此这一维度只有一方数据。

两种工作方式，控制效果截然不同

即便评分接近，这两者在“如何操控”上也并不一致。Grok 4.6 是一个单一而强大的模型，配有明确的推理强度旋钮；由你决定一个请求值得多少思考量，并按固定费率付费。GPT-6 Astra 则会自行运行更久，并且被设计为在最终定夺前暂停以接受审查。它也是该公司依据其《防范框架》在网络安全风险方面评为“关键”级别的首个 OpenAI 模型——这是供应商的自我评估，而非外部认定——而且 OpenAI 自己也承认，相较于上一代旗舰，其可监控性已有所下降，这正是为何最宽松的设置只向经过审核的合作伙伴开放，而非公开售卖。对安全团队而言，这种限制是一大优点。而对一个要在截止日期前获得确定性、可操控输出的开发者来说，这不过是你花高价买来的摩擦。

带标签的记分牌

• 智能（独立）——同等投入、高对高：GPT-6 Astra 51，Grok 4.6 44。按照 AA 对比页面的配对方式，Astra（max）为 53，对阵 Grok 4.6（high）的 44。Artificial Analysis 智能指数 v4.3，读取于 2026 年 9 月 16 日。两者并不持平；差距大小取决于配对方式。

• 目录价，标准档（供应商价目表，2026年9月16日读取） — GPT-6 Astra 每 1M 输入 $10.00 / 输出 $50.00 / 缓存 $1.00。Grok 4.6 每 1M 输入 $2.00 / 输出 $6.00 / 缓存 $0.50。输入为 5 倍，输出为 8.3 倍，缓存输入为 2 倍。

• 目录价，长上下文（相同的卡、相同的日期） —— GPT-6 Astra：整个请求因超过长上下文阈值而重新计价为 $20.00 / $2.00 / $75.00。Grok 4.6：整个请求在 200K 提示词 token 处重新计价为 $4.00 / $1.00 / $12.00。

• 每任务成本（独立对比）——同等投入档位，高对高：GPT-6 Astra 在 Intelligence Index 任务上每项 1.72 美元，Grok 4.6 为 1.86 美元。按照 AA 对比页面的配对方式，Astra（max）为 3.26 美元，对应 Grok 4.6（high）的 1.86 美元。Artificial Analysis，查阅日期 2026年9月16日。

• 延迟（独立测量） — GPT-6 Astra：首个 token 耗时 334.04 秒，端到端 343.48 秒。Grok 4.6：38.63 秒和 47.31 秒。Artificial Analysis，查阅日期为 2026 年 9 月 16 日。这是本页上差距最大的一项。OrcaRouter 自身对同一模型的展示中记录，七天内的首 token 耗时 p50 为 6.71 秒，p95 为 10.00 秒；它测量的是响应过程中的另一个时间点，与 AA 的数据不具可比性——不要把两者写进同一句话里，仿佛它们可以相提并论。

• 速度（独立测试） — GPT-6 Astra 在最高档位下输出速度为 52.9 tokens/s。Grok 4.6 在高档位下为 57.7 tokens/s。Artificial Analysis，数据读取于 2026 年 9 月 16 日。

• 智能体编码（独立） — GPT-6 Astra 在 Datacurve 的 DeepSWE v1.1 上取得 74.1% 的成绩。截至本文撰写时，同一榜单上并未发布可比的 Grok 4.6 测试结果，因此该维度只有单方数据。

• 网络与推理（供应商自报） — GPT-6 Astra：FrontierMath Tier 4 达 98%，ExploitBench 达 100%，在 Open​AI 的提供商适配器上 ARC-AGI-3 达 99.9%，而 ARC Prize 在其 Standard 测试框架上独立测得 62.7%。系 Open​AI 自报；此处未复现。

• 立即接入——两款模型均可通过 OrcaRouter 使用同一个密钥调用。路由器公布的费率，读取于 2026 年 9 月 16 日：GPT-6 Astra 为每 100 万 token 10.00 美元 / 50.00 美元，上下文 105 万 token；Grok 4.6 为每 100 万 token 2.00 美元 / 6.00 美元，上下文 50 万 token。

关于本页图表的一点说明：这些图表带有数字，而正文对这些数字有所限定。主视觉卡片和记分板呈现的是同一组配对，也正是 Artificial Analysis 主打的那一组——GPT-6 Astra 在最高推理档位下对阵处于 high 档的 Grok 4.6——因此记分板的智能度一行读的是最高努力档位的分数，而成本一行读的却是 high 档的成本。两个数字都出自 AA，都是最新的，但并非来自同一档努力设置。凡在差异要紧之处，上文给出的都是努力档位匹配的那一组。本页此前的版本带有四张图表，均基于 61 对 61 的指数读数；这些图表已被替换，而不是加上注解，因为一张主视觉卡片若主张某个文章本身已收回的论点，那还不如没有主视觉卡片。

可用性发生了变化，而这也改变了路由答案。

本页的第一个版本不得不报告称，GPT-6 Astra 不在 OrcaRouter 上，而 Grok 4.6 在。现在两者都已进入目录——GPT-6 Astra 的模型 ID 为 openai/gpt-6-astra，按 Open​AI 的标价；Grok 4.6 则位于 grok/grok-4.6 下，按 x​AI 的标价。OrcaRouter 列出的费率，读取于 2026 年 9 月 16 日。Astra 端点也不是目录条目：同一条列表还记录了过去七天内 1.807 亿个 token 的流量，由路由器列出，读取于同一天。

这一点对本轮对比尤为关键，因为两张卡的阶梯结构并不相同。按服务商标价计费、0% 加价的路由器，会按照请求实际落入的阶梯来计价：一次未越过长上下文阈值的 Astra 调用，我们这边不会重新定价；而一次越过 200K 的 Grok 4.6 调用，则按 xAI 的规则而非我们的规则重新定价。我们这边的每一项费率都是以 0% 加价原样透传——供应商给出的数字就是你支付的数字，而供应商一旦调价，变更当天就会在同一把密钥上生效。两个模型共用一把密钥时，在二者之间分配工作负载——把 Astra 用于高难度自主任务、让 Grok 4.6 承担大批量流量——只是一次路由调整，而不是再签一份合同；自动故障转移意味着某条路径上的速率限制只是一次路由事件，而非服务中断；而路由 DSL 让你在需要让便宜的模型起草、让昂贵的模型复核时，把两者组合成一次调用。

谁应该支付保险费

如果你的工作正处于 GPT-6 Astra 目前已可测量地领先的区间，那就购买它。在 AA 公布的设置下，独立指数将它和 Grok 4.6 区分开来，其 DeepSWE v1.1 结果是一个真实的独立数字，而厂商自己的基准表在附上测试框架的注意事项后，确实处于前沿水平。按每项任务而非每 token 来做预算，并留意长上下文阈值——正是在那里，单次请求会从一次昂贵的调用变成一次极其昂贵的调用。如果你想要接近前沿的推理能力、且其费率能扛住真实预算，再加上两者中更快的实测输出，以及只有一个断崖而非两个断崖的定价结构，那就购买 Grok 4.6。

这场对决经过修正后的结论并不是：五倍的差距毫无价值，也不是两者不相上下。而是：差距在每个层级上都真实存在，而比率取决于你看的是哪个层级；性能差距如今也同样真实存在；并且两者指向同一方向——这与本页面在2026年9月4日所说的相反，也是比一句关于倍数的口号更好的、在两者之间做出选择的理由。