Claude Opus 5.5 vs Grok 4.6：一個模型負責閱讀，另一個付諸行動

Claude Opus 5.5與Grok 4.6是購買能承載五十萬個 token 上下文之前沿級模型的兩種最便宜方式——而它們並非同一款產品。在其中一項測量中，Grok 4.6 距離絕對頂峰僅差三分：GPQA Diamond 拿下 94.9 分，這是一套研究所程度的科學題庫，Anthropic 的旗艦模型也落在同一區間。但在下一項測量中，它卻落後三十八分。在 Terminal-Bench 4.0 這項要求模型在 shell 中完成實際工作的代理式終端機基準測試上，Artificial Analysis 給 Grok 4.6 的成績是 21.21%，Claude Opus 5.5 則是 59.60%。這兩個數字無論哪個方向都不是誤植，而這組搭配的全貌，正是在於解釋為何這兩個數字能夠同時成立。

兩款新品，同一價格帶，相隔四個月

SpaceXAI 於 2026 年 8 月 12 日推出 Grok 4.6，作為 Grok 系列目前的旗艦模型，每百萬個輸入詞元 2.00 美元、輸出 6.00 美元，具備 500,000 詞元的上下文視窗，以及文字、圖像與檔案輸入介面。Anthropic 於 2026 年 9 月 22 日推出 Claude Opus 5.5，時間大約晚了六週，價格為 4.00/20.00 美元，具備 1,000,000 詞元的上下文視窗與 128,000 個輸出詞元。兩者都支援可設定的推理強度、工具呼叫與結構化輸出；兩者也都能以與 OpenAI 相容的對話介面，以及各自廠商的專有格式運作。

所以，直觀的解讀是一筆單純的取捨：Grok 4.6 的輸入價格只要一半，輸出大約只要三分之一，而 Claude Opus 5.5 則以兩倍的上下文視窗來回應。這個取捨確實存在，而且在長文件工作上，這可能是唯一要緊的事。不過，這也不是值得玩味的分歧所在，因為這兩個模型是在同一套獨立評測框架上衡量，而且在對代理式工作至關重要的軸線上，並未落在相同的位置。

型錄上對於兩者都據以量測的軸是怎麼說的

OrcaRouter 的目錄每一列都帶有基準測試來源資訊——每個數字都標明其來自哪個評估者——因此下列配對在兩個模型上皆出自同一來源：Artificial Analysis，而非一邊是廠商數據、另一邊是第三方數據：

• GPQA Diamond — 我們的目錄並未在這個軸線上列出 Claude Opus 5.5；Grok 4.6 得分 94.9%

• Humanity's Last Exam — Claude Opus 5.5 拿下 61.4%，對比 Grok 4.6 的 42.9%

• SciCode — 66.9% 對比 56.5%

• 長上下文回憶 — 相較於 80.3%，達到 84.7%

• Terminal-Bench 4.0 — 59.60%，相較於 21.21%

• AA Intelligence Index — 57.6 對比 44.3

在 Anthropic 這邊，GPQA 那一列是刻意留白的，而不是從廠商簡報中補上數字。Grok 4.6 在該項的 94.9 是其成績卡上最強的數字，而且貨真價實——那是一項獨立測量，並非 SpaceXAI 的宣稱——而它確實道出了這個模型的某些實情：當任務是一道格式良好、只有一個站得住腳答案的題目時，Grok 4.6 的表現位居前沿。把它和 Terminal-Bench 4.0 的 21.21% 並列來看，整體輪廓就清晰了。產出一個關於科學的正確答案，和在 shell 中對著真實檔案系統執行五個步驟的任務，是兩種不同的能力，而 Grok 4.6 在前者上的進展遠比後者深入。

在把那組配對當作定論之前，有一點但書：這兩個模型的 Artificial Analysis 數據是在不同的評估日期記錄的，而 Grok 4.6 的是較舊的一組。這項比較是在八月受評的模型與九月受評的模型之間進行，而所用的評測框架本身在這段期間也經過修訂。差距的方向在五個各自獨立的軸向上一致，因此我們將其視為訊號，但確切的分數應解讀為八月對九月的比較，而不是同一天的比較。

一個由不販售任何一方的人所建立的指數

還有第二項獨立衡量指標，它在方向上與前者一致，卻遠不那麼願意做細微的區分。Epoch 能力指數（Epoch Capabilities Index）由 Epoch AI 建構，匯集五十多項基準測試而成一項綜合指標，並經重新縮放，使 Claude 3.5 Sonnet 落在 130、GPT-5 落在 150；在我們於 2026 年 10 月 2 日讀取的檔案中，它把 Claude Opus 5.5 放在 167.35。Grok 4.6 則為 156.61，來自 8 月 12 日的一項評估。這是在一個量表上 10.74 點的差距；在該指數推出時，觀察到大約五點相當於 METR 時間跨度衡量指標翻倍——差距相當大，且穩穩落在這兩個模型各自公布的區間 164.0 至 172.0 與 154.66 至 158.93 之外，而這兩個區間完全沒有重疊。

值得注意的是，這個指數未能斷定的是：它把 Claude Sonnet 5.5 列在 165.2，把 Claude Fable 5.1 列在 164.82，兩者都高於 Grok 4.6，而且這兩者每百萬輸出 token 的成本都比 Grok 4.6 的第二級費率更低。任何只根據性價比來選擇的人，在同一廠商家族中還有第三與第四個選項，而本文的配對比較要談的是另一回事：這兩個模型各自擅長什麼。

費率，以及只出現在其中一個上的那一列

Grok 4.6 的價目表中有個 Claude Opus 5.5 沒有的級距：提示詞超過 200,000 個 token 的要求，會以基礎費率的兩倍計費，因此輸入從 $2.00 漲到 $4.00，輸出從 $6.00 漲到 $12.00，快取讀取則從 $0.50 升到 $1.00。Claude Opus 5.5 收費 $4.00/$20.00，快取讀取為 $0.20，在整個 1,000,000 個 token 的視窗內均一價。這種倒轉，是向這兩個模型任一購買長脈絡的實際後果，而一旦工作負載真的成長，它就會翻轉表面的價格比較：

• 以 30,000 個輸入 token 計算的價格——Claude Opus 5.5 是較貴的那一款，30,000 輸入與 8,000 輸出約為 28 美分，相較之下 Grok 4.6 約為 11 美分

• 在 250,000 個輸入 token 時的價格——順序會反轉，因為 Grok 4.6 已跨入其雙倍計價級距，而 Claude Opus 5.5 尚未。

• 快取讀取 — Claude Opus 5.5 每百萬 $0.20，相較之下 Grok 4.6 為 $0.50，超過該級距後升至 $1.00

• 最大輸出 — Claude Opus 5.5 為 128,000 個 token；Grok 4.6 的輸出上限並未刊載於型錄紀錄中

Grok 4.6 也帶有一個值得直接說明的落差，而不是留待日後才被發現。它的紀錄完全沒有列出最大輸出數字——該欄位是未經測量，而非零——因此，對於依賴極長單次回應的工作負載，在比較的這一側就沒有已公布的數字可供規劃依據。

不應讀取的效能欄位

我們的目錄也收錄了每個模型的服務效能面板，而在 Grok 4.6 上，它是頁面上最具誤導性的內容。這張卡片顯示 p50 延遲為 10,000 毫秒，以及在為期七天的視窗中錯誤率為 97.58%，該期間內服務了 26,184 個 token。這些欄位描述的並不是一個緩慢的模型。它們描述的是幾乎沒被呼叫的模型：在那種流量水準下，樣本過於稀薄，延遲分布根本不具意義，而錯誤率反映的是寥寥幾次嘗試，而不是服務品質。把那個區塊當成 Grok 4.6 很慢的證據，無異於把量測假象當成量測本身。

相較之下，Claude Opus 5.5 的面板背後有母體支撐——在涵蓋每日取樣的七天區間內，p50 落在 4.4 秒的範圍，同一期間內更處理了 1.56 億個 token。但即便是這項數據，也該以其本來面目來解讀：那是我們自家 playground 的流量，而它只是我們使用者的一個樣本，並非模型的固有特性。

要將哪一個進行路由，以及如何在自己的工作中自行找出

數字所描繪的分野已穩定到足以據以行動。Claude Opus 5.5 是代理式與長程工作的首選——Terminal-Bench 4.0 上 59.60% 對 21.21% 的差距，是兩個模型所有受測軸線中最大的一段落差，而這正是預測一個模型能否被交付一項任務、而非一個問題的軸線。當提示確實很長時，它也是首選，因為費率表不會跳階，而視窗是兩倍大。Grok 4.6 則是大量問題型工作的首選：在前 200,000 個 token 內，以 $2.00/$6.00 拿下 94.9% 的 GPQA Diamond 分數，對於那些永遠不會長成加倍級距的檢索與回答工作負載而言，是非常划算的交易。

兩者都在 OrcaRouter 上，以供應商的定價提供，0% 加成——Claude Opus 5.5 為 $4.00/$20.00，快取讀取 $0.20，Grok 4.6 為 $2.00/$6.00，超過 200K 的分級完全依照 SpaceXAI 的設定套用——全都在同一把金鑰後面，因此上述的取捨可以在你自己的提示集上實測，而不是空口爭論。當兩者都被路由時，自動容錯移轉就在底層運作，而當扛起代理路徑的正是那個較便宜的模型時，這一點尤其值得擁有。

這一組配對所換來的評語是：Grok 4.6 是更優秀的讀者，而 Claude Opus 5.5 是更優秀的執行者。GPQA Diamond 上的 94.9 與 Terminal-Bench 上的 21.21，是同一個模型被量測了兩次，而知道你的工作負載看起來像這兩個數字中的哪一個，就是整個抉擇的全部關鍵。