📍 真實場景
廷維，一人接案的自動化工程師，專門幫中小企業客戶架設 AI 客服與文件審核的代理型流程
正在幫一個客戶把 24 小時銀行客服機器人，從原本用的模型換成別家，想在不犧牲品質的前提下把每月帳單壓下來
😖 卡住的地方：手上有兩三家模型可以選，供應商的介紹頁都說自己「跑分最高」，但報價方式是「每百萬 token 多少錢」，跟客戶實際「一天要跑幾百次多輪對話」完全兜不起來，換算不出真正的月費差距，只能憑感覺猜
💡 這課會用 Grok 4.6 這次公開評測揭露的完整數據，教你怎麼把「跑分」換算成「你自己場景下的月費」，並用一個試算工具實際感受兩顆模型的帳單能差到幾倍
🧭 這到底是什麼（白話版）
Grok 4.6 是 SpaceXAI（馬斯克旗下 AI 團隊）在近期推出的最新旗艦模型，這次成績單上的重點數字是 61 分——這是它在 Intelligence Index（智慧指數）由 Artificial Analysis 這個第三方評測機構，把好幾套 AI 能力測驗的結果合併算成的單一分數，方便不同家模型互相比較整體聰明程度 拿到的分數，一口氣追平了 OpenAI 的 GPT-5.6 Sol，只落後 Claude Opus 5（63 分）與 Claude Fable 5（62 分）一點點。距離上一代 Grok 4.5 發布才過一個多月，就多拿了 5 分；比起再上一代 Grok 4.3，更是進步了 23 分。
但這篇報告真正有意思的地方，不在總分本身，而在它怎麼測「agentic（代理型）讓 AI 不只是回答一個問題，而是自己規劃步驟、呼叫工具、一輪一輪把一整件任務從頭做到尾 能力」。Artificial Analysis 額外設計了三套情境題：GDPval-AA v2（模擬真實知識工作）、τ³-Banking（多輪銀行客服並要求正確呼叫工具）、Terminal-Bench v2.1（在終端機裡完成軟體任務）。Grok 4.6 在 GDPval-AA v2 拿下 Elo 分數原本是幫西洋棋選手打分的方式，這裡借來讓不同 AI 模型的作答結果兩兩比較，分數愈高代表愈常「贏」對手 1753 分，只輸給 Claude Opus 5；在 τ³-Banking 拿 50.7%，是前兩名；在 Terminal-Bench v2.1 拿 88.4%，跟最強的一批模型同一水準。
更關鍵的是「花多少代價換到這個成績」。Grok 4.6 的定價維持 Grok 4.5 原本的每百萬 tokenAI 讀寫文字時的計費最小單位，大約是一個字或詞的片段，輸入、輸出都要另外算錢 輸入 2 美元、輸出 6 美元，比 Claude Opus 5 的 5／25 美元便宜六成以上；平均每個任務只花約 0.84 美元，跟同樣便宜的 Kimi K3 打平，但智慧分數更高一點。它的 context window（上下文視窗）AI 一次能「記住」多少內容的容量上限，超過這個量，前面說過的內容就會被忘記 維持 50 萬 token 沒有變大——這次進步的重點，不是記憶力變大，而是把同樣的視窗用得更有效率：在 AA-Briefcase 這個長任務基準上，Grok 4.6 平均只要 53 turn（輪次）代理型任務裡，AI 每次「想一步、做一步」算一輪，輪數愈多代表繞的路愈多、花的錢通常也愈多、燒掉約 5 億輸入 token 就能完成一項任務，Claude Opus 5 卻要 103 輪、燒掉約 20 億輸入 token 才能做完類似的事。
這也是為什麼 Artificial Analysis 說 Grok 4.6 落在「Pareto frontier（帕累托前緣）在『智慧分數』和『花費』這兩個目標中，找不到其他選項能同時做得更聰明又更便宜的那一群『最划算』選擇」上：在目前幾乎所有的代理型評測項目裡，沒有其他模型能同時比它聰明又比它便宜。唯一要注意的是，cache hit（快取命中）如果同一段內容之前已經送給模型算過一次，之後重複用同一段時，只用便宜很多的價格計費，不用整段重新算 的價格從 Grok 4.5 的每百萬 token 0.3 美元漲到了 0.5 美元——這對重度使用代理型迴圈、上下文常常被重複送進模型的應用來說，是需要重新算一次帳的細節。
🎯 為什麼值得你花時間
跑分要看「相對哪個維度」61 分只代表整體排名往上爬，但這篇文章真正的重點在於：智慧分數相近的模型，完成同一件代理型任務所需的輪次跟成本，可以差好幾倍——這是選型時最容易被忽略的一塊。
定價打平，但快取悄悄漲價headline 價格從 Grok 4.5 沿用不變（每百萬 token 輸入 2 美元、輸出 6 美元），但快取命中價格從 0.3 美元漲到 0.5 美元，對重度依賴快取的代理型應用來說，真實負擔其實變了。
帕累托前緣是選型的實用工具把「智慧分數」和「每任務成本」畫成散佈圖，能一眼看出誰是「同樣聰明但更便宜」或「同樣便宜但更聰明」的選項，而不是被單一排行榜名次綁架決策。
⚙️ 它是怎麼運作的
1
先用綜合題庫打出 Intelligence Index把模型丟進涵蓋推理、知識、程式等的標準化題庫，統一轉換成一個分數當作「整體聰明程度」的量尺，Grok 4.6 這次拿 61 分。
▼
2
再用真實工作場景單獨測代理型能力另外設計 GDPval-AA v2（真實知識工作）、τ³-Banking（多輪銀行客服含工具呼叫）、Terminal-Bench v2.1（終端機操作）三套情境題，看模型能不能真的把一件事從頭做到尾，而不只是回答單題。
▼
3
用 Elo 分數算出誰比較常贏在 GDPval-AA v2 這類測驗裡，讓不同模型的作答結果兩兩比較，用 Elo 分數系統算出相對強弱，Grok 4.6 拿下 1753 分，僅次於 Claude Opus 5。
▼
4
記錄完成一件任務要花幾輪、燒多少 token在 AA-Briefcase 這個長任務基準裡，同時記下模型平均要來回幾輪、燒掉多少輸入 token 才能做完——Grok 4.6 約 53 輪、5 億輸入 token；Claude Opus 5 約 103 輪、20 億輸入 token。
▼
5
把智慧分數跟每任務成本畫成散佈圖找帕累托前緣橫軸放花費、縱軸放智慧分數，找出沒有其他選項能同時更聰明又更便宜的那一群模型，Grok 4.6 就落在這條線上。
各模型智慧分數與代理任務數據比較（皆出自原文，未提供的欄位如實標註）
| 模型 | Intelligence Index | 定價（input／output，每百萬 token） | 備註 |
|---|
| Grok 4.6 | 61 | 2／6 美元 | GDPval-AA v2 Elo 1753；每任務成本約 0.84 美元；快取命中 0.5 美元／百萬 token |
| GPT-5.6 Sol（max） | 與 61 同級（原文未單獨列出精確分數） | 5／30 美元 | OpenAI 陣營，原文稱 Grok 4.6 與其「同級」 |
| Claude Opus 5（max） | 63（目前最高） | 5／25 美元 | GDPval-AA v2 Elo 僅次於它排第一；AA-Briefcase 平均約 103 輪、20 億輸入 token |
| Claude Fable 5（max with fallback） | 62 | 原文未提供 | GDPval-AA v2 Elo 與 Grok 4.6、Qwen3.8 Max 信賴區間重疊，統計上難分高下 |
| Kimi K3 | 略低於 61（原文未提供精確分數） | 原文未提供 | 每任務成本同為約 0.84 美元 |
🛠️ 動手做：Grok 4.6 vs Claude Opus 5：代理型任務月費試算工具
- 在「每日任務量」欄位輸入你想像中一天要跑幾個像文中 AA-Briefcase 這樣的長任務代理型工作
- 在「平均輪次」欄位輸入你預期任務需要 AI 來回幾輪才能做完，可以先用文中 Grok 4.6 的 53 輪或 Claude Opus 5 的 103 輪試算，感受落差
- 按下「試算月費」，查看兩顆模型的預估月費、輸入 token 總量與成本倍數差異
- 讀一下試算結果下方的備註：理解為什麼「線性估算」跟文中揭露的實際每任務成本（0.84 美元）會有落差——這正是本課 lens 想帶你看懂的重點
- 試著把「每日任務量」拉高（例如 100），或把「平均輪次」拉低（例如 20），觀察哪一個變數對月費差距影響更大
👇 下面是活的，直接操作
🧠 工程思維透鏡（資深工程師看到的是什麼）
🔭 Grok 4.6 只多一點智慧分數，為什麼能換來遠低於對手的實際帳單？
文中揭露 Claude Opus 5 平均要花 103 輪、20 億輸入 token 才能完成一件 AA-Briefcase 任務，Grok 4.6 只要 53 輪、5 億輸入 token。這說明「聰明」跟「省錢」是兩個不同維度：分數只差 2 分（61 對 63），但完成同一件事所花的輪次與 token 卻差了將近一倍。資深工程師選型時不會只看排行榜名次，而是會回頭問「這個分數是花多少代價換來的」——這正是文中帕累托前緣概念想表達的重點。
🔭 快取命中價格從每百萬 token 0.3 美元漲到 0.5 美元，對哪種使用者影響最大？
代理型迴圈的本質是同一段上下文被反覆送進模型，快取命中比例高的重度代理型應用（例如一直重讀同一份長文件、同一個系統提示）對快取單價特別敏感；反之只做少量問答、幾乎不重複上下文的應用幾乎不受影響。看定價表不能只看 headline 的每百萬 token 價格，要回頭比對自己的使用模式落在哪一格。
🔭 文中揭露 Grok 4.6 實測每任務成本是 0.84 美元，但如果只用「定價 × 輸入 token 數」線性估算，算出來的數字通常會高很多，這代表什麼？
線性估算沒有考慮 prompt caching 大幅降價、也沒考慮並非每一輪都要重新處理整個上下文視窗。工程選型時的粗估公式（像本課的試算工具）只能拿來做「量級比較」，正式上線前一定要拿真實流量跑一次小規模測試，不能只憑供應商公布的 headline 數字直接編預算。
🔭 context window 沒有變大（仍是 50 萬 token），但代理型任務分數大幅進步，說明了什麼設計取捨？
這代表這次進步的重點不在「記憶容量」，而在「怎麼更有效率地在有限視窗內完成多輪工具呼叫」——也就是規劃與工具使用策略的優化，而不是單純堆高上下文長度。這對工程師的啟示是：模型能力提升的來源要拆解清楚，不能簡單歸因成「視窗變大了」。
📝 隨堂考（點選答案，立即回饋）
Q1. Grok 4.6 在 Artificial Analysis Intelligence Index 拿下幾分？
✅ 文中明確寫出 Grok 4.6 拿下 61 分，加入以 GPT-5.6 Sol 為代表的第一梯隊，僅次於 Claude Opus 5（63）與 Claude Fable 5（62）。
Q2. 這次 Grok 4.6 進步，以下哪一項其實維持不變（沒有變大）？
✅ 文中寫明 context window 維持 50 萬 token，跟 Grok 4.5 一樣沒有變大；其餘三項分數都是這次進步的具體數字。
Q3. 文中提到的快取命中（cache hit）價格，從 Grok 4.5 的多少漲到 Grok 4.6 的多少（每百萬 token）？
✅ 文中寫「cache hits discounted to $0.5 per 1M tokens, an increase over Grok 4.5's $0.3 per 1M tokens for cache hits」。
Q4. 為什麼只看 Intelligence Index 排名，可能不足以做出好的選型決策？
✅ 文中舉出 Grok 4.6 約 53 輪、Claude Opus 5 約 103 輪才能做完同類任務，分數相近但效率跟成本差很多，這正是本課強調的重點。
Q5. 根據文中數據，Claude Opus 5（max）在 AA-Briefcase 長任務基準上，平均要花幾輪、消耗多少輸入 token 才能完成一項任務？
✅ 文中寫 Claude Opus 5（max）平均約 103 輪、約 20 億輸入 token，對比 Grok 4.6 的約 53 輪、約 5 億輸入 token。
🃏 翻牌記憶卡（先想答案，再點開對答）
Intelligence Index（智慧指數）點我翻面
把多套 AI 能力測驗結果合併算成的單一分數，方便比較不同模型的整體聰明程度；Grok 4.6 這次拿 61 分。
agentic（代理型）點我翻面
AI 不只回答問題，而是自己規劃步驟、呼叫工具，一輪一輪把整件任務做完。
Elo 分數點我翻面
借用西洋棋計分方式，讓模型的作答結果兩兩比較算出相對強弱；Grok 4.6 在 GDPval-AA v2 拿 1753 分。
cache hit（快取命中）點我翻面
重複用同一段先前送過的內容時，用比較便宜的價格計費；Grok 4.6 這項價格從每百萬 token 0.3 美元漲到 0.5 美元。
Pareto frontier（帕累托前緣）點我翻面
在智慧分數與花費之間，找不到其他選項能同時更聰明又更便宜的那群「最划算」選擇。
turn（輪次）點我翻面
代理型任務裡 AI「想一步、做一步」算一輪；Grok 4.6 平均 53 輪，Claude Opus 5 平均 103 輪才能完成同類任務。