xAI бросает вызов GPT-5.6 с помощью Grok 4.6, агенты для длинных задач будут самостоятельно проверять работу

Автор: xAI

Перевод: TechFlow

Введение от TechFlow: Grok 4.6 делает акцент на агентах, способных работать длительное время и выполнять многошаговые задачи, и сравнивается с GPT-5.6 Sol по композитному индексу интеллекта, что имеет практическую ценность для выбора разработчиками. xAI также удваивает лимиты использования в первую неделю, что указывает на смещение конкуренции больших моделей от единичных запросов к агентским возможностям, способным реально реализовывать проекты, что стоит отслеживать специалистам, интересующимся возможностями сочетания ИИ и криптоиндустрии.

Сегодня мы выпускаем Grok 4.6. Grok 4.6 построен на основе Grok 4.5 и особенно ориентирован на долгоживущие агенты и более амбициозные задачи взаимодействия и визуальной работы. Он может непрерывно обрабатывать сложные задачи в несколько шагов, будь то исследование тем, анализ информации, работу с несколькими кодовыми базами, или превращение идей в законченные приложения или произведения.

Grok 4.6 достигает передовых уровней в нескольких бенчмарках кодирования агентов и работы с знаниями. Он сравнивается с GPT-5.6 Sol в Artificial Analysis Intelligence Index, который является综合ной оценкой девяти бенчмарков.

Рис.: Источник: xAI; данные конкурентов взяты из системных карт или рейтингов бенчмарков, опубликованных разработчиками.

Grok 4.6 уже доступен в Cursor и Grok Build. В первую неделю мы предоставляем 2x лимит использования в Grok Build и Cursor, чтобы вы могли сразу начать тестировать 4.6.

Обучение Grok 4.6

Grok 4.6 прошел более длительное дополнительное обучение по сравнению с Grok 4.5, используя отфильтрованные данные, сгенерированные моделью, для рассуждений и продвинутых технических концепций, а также высококачественные инженерные данные, и улучшенные оптимизаторы и рецепты обучения. Это заложило более прочную основу для последующих этапов SFT и RL.

Затем мы использовали Grok 4.5 для повторной генерации траекторий SFT, охватывающих работу над рассуждениями, фреймворки агентов, а также области STEM, программной инженерии и работы с знаниями, и отфильтровали проблемные траектории с помощью модельной проверки. Полученные контрольные точки SFT показали высокую производительность и лучшее поведение.

Grok 4.6 обучался на широком спектре задач обучения с подкреплением для агентов, включая работу с знаниями, общее кодирование, а также специфические среды для оптимизации ядра, веб-разработки, автоматизированного проектирования и других областей.

Превращение масштабных идей в работающие проекты

Мы тестировали Grok 4.6 на проектах, направленных на расширение его диапазона и способности работать длительное время. Мы обнаружили, что модель особенно хороша в превращении широких продуктовых идей в рабочие прототипы. Она может исследовать незнакомые области, строить структуру приложения, реализовывать ключевые взаимодействия и постоянно оптимизировать результаты через многократную обратную связь.

В более длинных траекториях задач мы также начали наблюдать больше поведения самотестирования и валидации, когда модель проверяет свою работу перед продолжением.

В проектах, связанных с визуализацией и взаимодействием, первоначальный результат Grok 4.6 лучше, чем то, что мы обычно видим на Grok 4.5. Получив конкретную продуктовую идею, он может единовременно создать структуру и визуальный язык приложения. Это делает его особенно полезным в проектах, где быстрый способ получить хорошие результаты — это сначала создать существенный контент, а затем итеративно улучшать его.

Безопасность и возможности

Меры безопасности Grok 4.6 были улучшены и откалиброваны в соответствии с возможностями модели.

Наш стек безопасности направлен на максимизацию полезности и безопасности в легитимных случаях использования, делая Grok 4.6 полезным и безопасным в таких областях, как исправление уязвимостей, ускорение циклов инженерного проектирования и усиление исследований ИИ.

Наша работа по оценке мер безопасности отражает расширенные возможности Grok 4.6, включая самые широкие в нашей истории тестирования перед развертыванием для калибровки возможностей и безопасности, а также обширные пост-развертывание и сторонние тесты.

Бенчмарки

Рис.: Сравнение баллов Grok 4.6 и конкурентов по основным бенчмаркам. Источник: xAI; наивысший балл для каждой оценки выделен жирным шрифтом, баллы сторонних моделей взяты из их самостоятельно заявленных или общедоступных лучших результатов.

Согласно открытым данным, Grok 4.6 сравнялся или превзошел GPT-5.6 Sol Max в CursorBench v3.2（69.9%）、GDPVal-AA v2（1753）、AA-Briefcase（1577） и APEX-Agents（57.5%）, но все еще отстает в Terminal-Bench v3.0（26%） и DeepSWE v1.1（65.9%）; Fable 5 Max сохраняет незначительное лидерство в большинстве проектов.

Начало работы с Grok 4.6

Grok 4.6 уже доступен в Cursor и Grok Build. Он также доступен через API и других партнеров, таких как OpenRouter, Vercel и Cloudflare.

Ценообразование составляет от 2 долларов за миллион входных токенов и от 6 долларов за миллион выходных токенов. Кроме того, существует быстрая версия, цена которой в два раза выше стандартной.

В первую неделю мы предоставляем 2x лимит использования в Grok Build и Cursor, чтобы вы могли сразу начать тестировать 4.6.

Создание API ключа

Начните построение с использованием Grok 4.6 через SpaceXAI API прямо сейчас.

Ознакомьтесь с документацией и интегрируйте Grok 4.6 в свой технологический стек.

Бесплатная пробная версия в Grok Build

Перейдите на x.ai/build прямо сейчас, чтобы начать.