GPT-6.1 Sol 對 Grok 4.6：Accept-Header 問題，以及一個並不真實的 35 分差距

在當前的模型市場中，存在這樣一種配對：較便宜的選項在最難的科學基準測試中直接勝出，但整場比較的結果卻仍不站在它這一邊。Grok 4.6自 2026-08-12 起一直是 SpaceXAI 的旗艦模型，在 GPQA Diamond（研究所程度的科學問題）上拿下 94.9%，而同一款模型在 Humanity's Last Exam 上僅有 42.9%，其價格為每百萬輸入詞元 2.00 美元、每百萬輸出詞元 6.00 美元。GPT-6.1 Sol是 Open​AI 於 2026-09-29 發布的版本，在同一套 HLE 題目上得分 52.9%，每百萬輸出收費 10.00 美元。所以 Grok 4.6 在一項艱難任務上表現更好，在價目表的每一行都更便宜，然而這段比較的後半部分才是真正有趣的問題所在：這兩款模型並非總是被問到同一個問題。

以下數字是 Artificial Analysis 在我們自己的模型紀錄上對這兩個模型所做的測量值、有標示的廠商數據，以及我們自家的服務資料。凡是數字可能不明確之處，都會標明評估者與日期。

實際發揮作用的版本號

先從那些看起來像潰敗、但其實不是的數字開始。Artificial Analysis 執行兩項終端代理基準測試，並已就每項測試為這兩個模型評分：

• Terminal-Bench 2.1 — Grok 4.6 得分 88.39%；GPT-6.1 Sol 未列於此版本中。

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

只讀第二列，Grok 4.6 看起來就像無法在 shell 中完成任務。兩列都讀，就會清楚看出差異在於測試框架，而不是模型。Terminal-Bench 4.0 是同一構想中更難的修訂版，而這兩個模型是在不同時間於其上接受評分——GPT-6.1 Sol 的 Artificial Analysis 紀錄所載的評估日期是 2026-09-28，Grok 4.6 的紀錄則為 2026-08-12。兩個模型相隔六週受測，而該基準又在那段期間內經過修訂；這樣的情況下出現 35 分差距，並不構成其中一個無法使用終端機的證據。這只證明你不該比較那兩個儲存格。

代理式比較的誠實版本是較狹隘的那一個：Grok 4.6 在 Terminal-Bench 2.1 上拿下 88.39%，而該版本上並沒有 GPT-6.1 Sol 的數字可與之並列。這是證據上的一個缺口，本文其餘部分也將其視為如此。

這兩個是什麼

Grok 4.6 是 Grok 系列目前的旗艦，在 SpaceXAI 自家的開發者文件中被列為「Latest」，接替 Grok 4.5，同樣具備 500,000 個權杖的上下文視窗，以及相同的文字、圖像與檔案輸入介面。它支援可設定的推理強度、原生工具呼叫、結構化輸出，以及完整的取樣介面——temperature、top_p、seed、logprobs、penalties——這是一個重要的細節：與 GPT-6.1 Sol 不同，它接受 temperature。

GPT-6.1 Sol 是單一快照——gpt-6.1-sol，沒有附日期的變體——具備 1,050,000 個權杖的上下文視窗、128,000 最大輸出、相同的文字、圖像與檔案輸入介面，以及五種投入程度，預設為中等。它不接受 temperature 或 top_p；取樣由投入程度旋鈕取代。

規格列並排顯示，在它們有所差異的維度上：

• 上下文視窗—— GPT-6.1 Sol 為 1,050,000 個 token，而 Grok 4.6 為 500,000 個。GPT-6.1 Sol 的視窗規模略超過兩倍。

• 最大輸出 — GPT-6.1 Sol 為 128,000 個詞元；Grok 4.6 的輸出上限並未刊載於我們為其建立的目錄紀錄中，該欄位是從未填入，而非為零。

• 取樣參數 — 溫度、top_p、seed 與懲罰參數在 Grok 4.6 上可正常運作，但會被 GPT-6.1 Sol 拒絕。

• 基礎價格 — Grok 4.6 為 $2.00/$6.00，GPT-6.1 Sol 則為 $2.00/$10.00，兩者皆落在各自模型的第一個價格級距內。

五個軸向，一個明確的方向

這兩個模型共享足夠的獨立量測，因此能夠進行適當的比較，而且結果的形態是一致的：

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

• Humanity's Last Exam——52.9% 對 42.9%。十個百分點的差距，GPT-6.1 Sol。

• 長上下文回憶 — 83% 對上 80.33%。

• SciCode——54.2% 對上 56.5%。Grok 4.6 領先 2.3 個百分點，是這四項指標中它唯一勝出的一項。

• GPQA Diamond — 在我們的紀錄中，GPT-6.1 Sol 並未列於此軸；Grok 4.6 得分 94.9%，是其成績卡上最強的單一數字。

Grok 4.6 的其中兩個軸在 GPT-6.1 Sol 這邊並未測量，而 GPT-6.1 Sol 的其中一個軸在 Grok 4.6 那邊也未測量。這就是以不同時程評估的模型之間進行比較時的標準樣貌，而處理方式是讓那些儲存格保持空白，而不是用發布簡報的內容把它們填滿。

Intelligence Index 上有一處需要校正。本部落格先前的報導將 Grok 4.6 放在同一指數的 61。我們目前的紀錄除了上方的 44.3 這個數字之外，還多了一列帶有該數值——該指數已經修訂並重新評分，而同一模型存在這兩種讀數。任何引用 Grok 4.6 指數位置的人都應該說明自己指的是哪一次修訂，因為 61 與 44.3 之間的差異，比這整篇文章所談的差距還大。

費率卡，以及其中的步驟

Grok 4.6 在每一條基礎線上價格都更便宜，而且條目清單更長。它的費率表：

• 最高 200,000 個提示詞 token——輸入 $2.00、輸出 $6.00、快取輸入 $0.50。

• 超過 200,000 個提示詞 Token——整個請求將重新計價為 $4.00 輸入、$12.00 輸出、$1.00 快取輸入。

GPT-6.1 Sol 的：

• 最高 272,000 個提示詞 token — 輸入 $2.00、輸出 $10.00、快取輸入 $0.10、快取寫入 $2.50。

• 超過 272,000 個提示詞 token — 整個請求重新計價為 $4.00 輸入、$15.00 輸出、$0.20 快取輸入、$5.00 快取寫入。

兩個步驟，而且兩個步驟都落在提示長度的同一區域——但請注意這些步驟對頭條差距的影響。在第一層級內，Grok 4.6 的輸出便宜 40%。在該步驟之上，以 $12.00 對比 $15.00，它便宜 20%。而在快取輸入上，排序完全反轉：GPT-6.1 Sol 的每百萬 $0.10 是 Grok 4.6 在步驟前 $0.50 的五分之一，以及步驟後的十分之一。

對於會在每一輪重新讀取一段冗長固定前綴的代理式工作負載——例如一個程式碼儲存庫、一組合約，或一份冗長的逐字稿——那一列快取值的價值高於基準費率，而且它指向另一個方向。至於那種從簡短提示產生大量輸出的工作負載，Grok 4.6 的 6.00 美元就是決定勝負的那條線。

我們自己的服務資料，以及為什麼其中一部分應該被忽略

OrcaRouter 的型錄為每個模型提供七天服務面板，而在這兩者中的其中一個，這個面板是假象而非量測結果。Grok 4.6 的面板顯示 p50 延遲為 6,250 毫秒、錯誤率為 56.76%，而在此期間它服務了 1,212,441 個 token。GPT-6.1 Sol 的面板顯示 p50 為 2,442 毫秒、每秒輸出 95.57 個 token、錯誤率 6.36%，並在同樣這七天內服務了 421,752,431 個 token。

流量數字是首先要看的，因為它們能解釋其餘的部分。一個在一週內處理了 120 萬個 token 的模型，其樣本太單薄，以至於錯誤率沒有太大意義——在這樣的量級下，56.76% 的比率反映的是幾十次嘗試，而不是服務品質，將其視為 Grok 4.6 不可靠的證據，就是把測量假象當成測量結果。我們的 GPT-6.1 Sol 面板背後有大約 350 倍的流量，這使其成為一個關於我們 playground 使用者的可用數字，但仍然不是模型本身的屬性。

我們不能告訴你的事

這項比較中少了三件事，而這三件事都無法靠論證來補上。

首先，這是兩個模型在同一版本下的終端代理分數。在 Artificial Analysis 於 Terminal-Bench 4.0 上為 Grok 4.6 評分，或在 2.1 上為 GPT-6.1 Sol 評分之前，代理能力的比較只能建立在一個模型的數字與另一個模型的沉默之上。任何人若告訴你 56.06% 對 21.21% 的差距是能力落差，那他引用的其實是版本修訂差異。

第二個是 Grok 4.6 的輸出上限。在我們的紀錄中，這個欄位尚未量測，因此，對於依賴極長單一回應的工作負載，在那一側並沒有已發布的數字可作為規劃依據。

第三點是這兩個模型每完成一項任務的實際成本。我們的 playground 會回報 Claude Opus 5 每項任務的平均成本；但不會回報這兩個模型之中任何一個的數字，而上述的 token 價格是構成該數字的輸入，而非該數字本身。Open​AI 自家針對 GPT-6.1 Sol 所公布的數據描述了每項任務成本的改善——在最高 effort 設定下，Terminal-Bench Science 0.1 每項任務為 $5.47，相較之下 Claude Opus 5.5 為 $23.21，GPT-6 Astra 為 $23.80——但那些是 Open​AI 在其自家 harness 上得到的數字，外界無人重現過，而且完全沒有提及 Grok 4.6。

選擇

兩個模型都在 OrcaRouter 上以供應商定價路由，零加成 — openai/gpt-6.1-sol 為 $2.00/$10.00，快取輸入 $0.10，且超過 272K 的級距完全依 OpenAI 的設定套用；而 grok/grok-4.6 為 $2.00/$6.00，超過 200K 的級距完全依 SpaceXAI 的設定套用。一組金鑰即可存取兩者，價格在供應商變更的當天就跟進，而非等到下一個帳單週期，而且底層還有自動容錯移轉，讓較便宜的模型能保住一條路徑，而不是成為唯一支撐該路徑的選項。

如果工作負載是問題導向且輸出繁重——檢索與問答、大量生成，任何提示永遠不會超過 200,000 個 token 的情況——那麼在費率表上，Grok 4.6 是更划算的選擇，在關鍵項目上便宜 40%，而且其 94.9% 的 GPQA Diamond 是獨立數字，不是宣稱。

若工作負載屬於代理型、長提示或快取密集型，GPT-6.1 Sol 是較安全的預設選擇：在兩者共有的每一項獨立指標上，它除了 SciCode 之外全都領先；其快取讀取成本僅為 Grok 4.6 的五分之一；而且它公布的輸出上限是一個你可以據以規劃的數字。Grok 4.6 的 500,000 token 視窗已相當寬裕，而 GPT-6.1 Sol 的 1,050,000 token 視窗更是它的兩倍——但面對真正冗長的提示時，兩者屆時都已踏入加倍計價的級距，價差也就此縮小到 20%，不再是你選擇其中任何一個的理由。

經得起證據檢驗的結論是：Grok 4.6 是較便宜的模型，而 GPT-6.1 Sol 是較審慎的那個；至於廣為流傳的 35 分 terminal-benchmark 差距，那是兩個不同 benchmark 版本之間的比較，而非兩個模型之間的比較。