Grok 4.6登場 長く走るエージェントへの最適化と、価格で押し切る戦略

2026年8月12日、SpaceXAIが新しいモデル「Grok 4.6」を公開しました（Introducing Grok 4.6）。ひとつ前の世代であるGrok 4.5から約1か月弱でのリリースです。

SpaceXAIが焦点として挙げているのは、長時間動き続けるエージェントと、対話や見た目を作り込む仕事です。賢さの底上げというより、途中で崩れずに走り続ける力に手を入れた、と書いています。

ただ、私が目を引かれたのは価格のほうでした。100万トークンあたり入力2ドル、出力6ドル。同じ日に同等クラスとして名前が挙がっているモデルの半分以下です。そのうえで総合指標では並んだ、というのが今回の売り込み方になっています。

AIモデルの専門知識は前提にしません。発表の数字はそのまま転記したうえで、どこを額面どおり受け取ってよく、どこを割り引くべきかを書きます。

なお、公式サイト上での会社名の表記は現在「SpaceXAI」です（フッターの法人表記は X.AI LLC）。長く「xAI」の名で知られてきた会社ですが、この記事では発表時点の表記に合わせてSpaceXAIと書きます。

Table of contents

2026年8月12日に発表されたこと

モデルの位置づけ

Grok 4.6は、SpaceXAIのフラッグシップモデルです。公式ドキュメントでは「コードとその他すべてのための最上位モデル」と紹介され、エージェント的なツール呼び出し、幻覚（hallucination、事実でないことをもっともらしく答えてしまう現象）の少なさ、設定可能な推論量の3点が特徴として挙げられています（Models | SpaceXAI Docs）。

トークン は、モデルが文章を扱うときの最小単位です。英語ではおおむね単語の一部、日本語では1文字前後が1トークンにあたります。文庫本1冊がおよそ10万文字だとすると、100万トークンは文庫本10冊分くらいの分量だと考えると感覚がつかめます。

コンテキストウィンドウ は、1回のやり取りでモデルが同時に見られる分量の上限です。Grok 4.6の50万トークンは、それなりの規模のソースコードや長い資料をまとめて渡せる大きさです。

知識のカットオフ は、訓練データに含まれる情報の締め切りです。Grok 4.6は2026年2月1日以降の出来事を、そのままでは知りません。公式ドキュメントもこの点を明記しており、最新の情報を扱いたい場合はWeb検索やX検索といったサーバー側の検索ツールを有効にする必要がある、と案内しています。

境目の前後で、モデルにできることが変わります。

提供チャネル

SpaceXAIは、発表と同時に提供を始めています。

console.x.ai から取得したAPIキーで直接叩けるほか、SpaceXAI自身の開発環境であるGrok Build、コードエディタのCursorに統合されています。さらにOpenRouter、Vercel、Cloudflareといったパートナー経由でも利用できます。

期間限定の措置として、Grok BuildとCursorでは公開から最初の1週間、プランに含まれる利用量が2倍になります。新しいモデルを試してもらうための導入施策です。

長時間動くエージェントという焦点

エージェントという言葉

発表の中心にある エージェント（agent）という言葉を確認しておきます。ここでいうエージェントとは、人間が一つひとつ指示を出さなくても、目標を受け取って自分で手順を分解し、ツールを呼び出しながら作業を進めるAIのことです。

たとえば「このリポジトリのテストが落ちているので直して」と頼まれたAIは、次のような手順を自分で踏む必要があります。

1. テストを実行して、どれが落ちているか確認する
2. 該当するコードを読む
3. 原因を推測して修正する
4. もう一度テストを実行する
5. まだ落ちていれば、別の仮説を立てて2に戻る

1回の応答で終わらず、何十回もツールを呼びながら進んでいく。これが「長時間動くエージェント」の姿です。

失敗が積み重なる仕組み

ここで問題になるのが、失敗の積み重なりです。

各ステップの成功率が95%だとします。かなり優秀に聞こえますが、50ステップ続けると、全部成功する確率は0.95の50乗で約7.7%まで落ちます。100ステップなら0.6%です。実際にはステップ間に依存関係があるので単純な掛け算にはなりませんが、方向としては同じことが起きます。ステップが伸びるほど、一度の小さなつまずきが後ろ全部を壊す確率が上がっていきます。

50ステップも続けば、ほとんど成功しません。

長い作業では、1ステップあたりの賢さより、崩れずに続けられるかのほうが効いてくる。Grok 4.6が焦点を当てたと言っているのは、この部分です。

SpaceXAIは「多くのステップにまたがる複雑なタスクに食らいついていく」と書き、話題の調査、情報の分析、コードベース全体にまたがる作業、アイデアを完成した成果物に変える作業を例に挙げています。

自己検証と「最初の1パス」

発表が具体的に挙げている改善点は2つです。

ひとつは 自己検証 です。長い軌跡（trajectory、エージェントが辿った作業手順の記録）において、モデルが次へ進む前に自分の作業を確かめる挙動がより多く見られるようになった、と書かれています。先ほどの例でいえば、コードを直したあとで自分でテストを走らせて確かめてから次へ行く、という振る舞いです。

もうひとつは、視覚的・対話的なプロジェクトにおける 最初の1パス の質です。漠然とした製品アイデアを渡したとき、アプリケーションの構造と見た目の言語（visual language、配色や余白の取り方といった見た目の一貫した方針）を1回で立ち上げられるようになった、としています。

SpaceXAIはこの利点を、実際の使い方に寄せて説明しています。良い結果に至る最速の経路が「まず実質的なものを作ってから、対話の中で回していく」ことである場合に特に役立つ、と。最初の1回が良ければ後の修正が楽になる、という話です。

ただし、ここで挙がっているのはすべてSpaceXAI自身の社内テストでの観察です。「より多く見られるようになった」「典型的に見られたものより強い」という書き方で、数字は添えられていません。どれくらい良くなったのかは、正直よく分かりません。

ベンチマークの数字を読む

公式が示した比較表

発表には、10種類の評価をまとめた比較表が載っています。原文をそのまま転記します。

GDPVal-AA v2とAA-Briefcaseの数値だけ桁が違うのは、パーセントではなくElo（イロ）レーティングだからです。Eloはもともとチェスの棋力を表すために作られた仕組みで、勝敗の積み重ねから相対的な強さを数値にします。絶対的な正答率ではなく、他のモデルとの比較のなかでの位置を示す数字だと考えてください。

AA Intelligence Indexの中身

表の1行目にあるAA Intelligence Indexは、独立系の評価機関であるArtificial Analysisが公開している総合指標です。発表文も「9つのベンチマークの合成スコア」と説明しています。

現行のv4.1.1では、Artificial Analysisが4つのカテゴリの加重平均として計算しています（Intelligence Benchmarking Methodology | Artificial Analysis）。

エージェント系に3分の1の重みが置かれています。Artificial Analysisが、関心の移り方に合わせてそう配分しました。

Grok 4.6はここで61を獲得し、GPT-5.6 Sol（Max）と並びました。前世代のGrok 4.5が56だったので、5ポイントの上昇です。

HighとMaxという但し書き

表の列見出しに付いている「High」「Max」を見落とさないほうがいいと思います。これは推論量（reasoning effort）の設定を表しています。

多くの推論モデルには、答える前にどれだけ考えるかを調節するつまみがあります。考える量を増やせば精度は上がりますが、時間もトークン消費量も増えます。Grok 4.6の公式ドキュメントも、推論量を「Configurable（設定可能）」と記載しています。

つまりこの表は、Grok側はHigh、比較対象はMaxという条件で並んでいます。競合を最大設定で走らせているので競合に不利ではありませんが、同じ条件の比較でもありません。Maxで走らせればトークンを多く食う、という違いは表に出てきません。

もうひとつ、表の下に付いている脚注も見ておきます。第三者のモデルのスコアは、自己申告または公開されている結果のうち最良のものである、と書いてあります。グラフのほうにも同様の注記があり、競合の数値はそれぞれの開発元が公開したシステムカードやベンチマークのリーダーボードから引いた、としています。

開示としては正直です。裏を返せば、SpaceXAIは自分の環境で競合モデルを走らせ直していません。ハーネス（評価を実行する土台となる仕組み）もプロンプトも、条件は揃っていないということです。

勝っているところと負けているところ

表を素直に読むと、勝敗ははっきり分かれています。

Grok 4.6が4モデル中で最高だったのは、GDPVal-AA v2（1753）、AA-Briefcase（1577）、Harvey LAB（15.8%）の3項目です。いずれも実世界の知識労働や法務文書に近い領域で、コーディングそのものではありません。

一方、明確に負けているのがTerminal-Bench v3.0です。26%に対して、GPT-5.6 Sol（Max）が34.6%、Fable 5（Max）が34.1%。ターミナル上で実際にコマンドを打って課題を解く評価で、8ポイント以上の差がついています。ソフトウェア工学の課題を解くDeepSWE v1.1でも、65.9%に対してGPT-5.6 Sol（Max）が73%です。

ただし前世代からの伸びは大きい。Terminal-Bench v3.0はGrok 4.5の15.7%から26%へ、DeepSWE v1.1は54%から65.9%へ上がっています。差はまだあるものの、詰めにかかっている、という読み方はできます。

勝った項目と負けた項目を並べ直します。

最後にHarvey LABの行を見てください。Grok 4.6が15.8%で最高、GPT-5.6 Sol（Max）が2.5%です。法務作業を測るベンチマークですが、フロンティアモデルどうしで6倍以上の差がつくのは不自然です。私はこれを能力差の証拠としては読みません。出力形式の要件を満たせずに減点された、といった評価条件の噛み合わなさを疑うほうが自然です。先ほどの脚注が効いてくるのはこういう箇所です。

独立系の計測

発表元以外の数字も見ておきます。Artificial AnalysisのGrok 4.6のページによれば、この記事を書いている2026年8月13日時点で、Intelligence Indexは61、計測対象184モデル中6位です。中央値が34なので、比較可能なモデルのなかでは明確に上位という位置づけになります。

総合スコアが公式発表と一致しているのは、そもそもこの指標がArtificial Analysis自身のものだからです。SpaceXAIは外部指標の値をそのまま引用しています。

速度面の数字も出ています。出力速度は毎秒67.6トークンで、184モデル中74位。最初のトークンが返るまでの時間（TTFT）は42.09秒です。42秒は体感としてかなり長いですが、これは答える前に考える時間が入るためで、推論モデルとしては珍しくありません。対話的に使うと待たされる一方、エージェントとして何十分も走らせる用途なら、最初の数十秒はさほど問題になりません。

待たせて長く走らせるモデルとしては、この速度で筋が通っています。

価格と、その読み方

100万トークンあたり2ドルと6ドル

価格は入力が100万トークンあたり2.00ドル、出力が6.00ドルです。加えて、キャッシュされた入力トークンは0.50ドルになります。

プロンプトキャッシュ は、同じ内容を繰り返し送るときの割引の仕組みです。エージェントを動かすと、システムプロンプトや読み込んだファイルの内容といった同じ前置きを毎回送ることになります。この共通部分を再利用できるようにしておくと、2回目以降は4分の1の単価で済みます。長い会話を続けるエージェント用途では、実際の請求額に大きく効いてきます。

もうひとつ、コンテキスト長による価格の段差があります。

公式ドキュメントの価格表は、grok-4.6 (<200k) と grok-4.6 (≥200k) の2段で単価を出しています。上限の50万トークンまで入れられますが、20万トークンに達した時点で単価は倍です。ちょうど20万トークンでも高いほうが適用されます。超えたらではなく、届いたら切り替わる。ここを取り違えると、境目ぎりぎりを狙った設計で請求額が倍になります。

しかも倍になるのはリクエスト全体で、入力もキャッシュ入力も出力も揃って上がります。つまり、50万トークン入ることと、50万トークン使っても安いことは別です。大量の資料を丸ごと投げ込むなら、20万トークンの手前で組んだほうが安く済みます。

さらに、発表には高速版（fast variant）の存在も書かれています。こちらは価格が2倍です。ただし説明はこの一文だけで、公式のモデル一覧に高速版のIDは見当たりません。速く返す枠を買う、ということでしょう。

金額の目安

合計で100万トークンの入力と10万トークンの出力を処理すると、2.00ドル＋0.60ドルで2.60ドルです。日本語で100万トークンといえば文庫本10冊分ほどの分量なので、その規模の資料を読ませて原稿用紙250枚ぶんの回答を得て、400円弱ということになります。

ただし、これは1回のリクエストでできる計算ではありません。1リクエストに入れられるのは50万トークンまでですし、20万トークンに達したリクエストには倍のレートが適用されます。上の2.60ドルは、資料を20万トークン未満に分割して何回かに渡したときの合計だと読んでください。仮に上限を無視して100万トークンを1回で投げられたとしても、入力4.00ドル・出力12.00ドルのレートになるので5.20ドルです。

エージェント用途ではもっと積み上がります。1日の作業で入力5,000万トークン（うち8割がキャッシュヒット）、出力500万トークンを消費したとします。入力は1,000万×2.00ドル÷100万＋4,000万×0.50ドル÷100万で40ドル、出力は30ドル、合わせて70ドルです。同じ使い方を単価5ドル・25ドルのモデルで回すと、キャッシュの割引率が同じだと仮定して225ドルになります。

規模が大きくなるほど、単価差はそのまま請求額の差になります。

競合との価格差

報道各社が注目したのもこの点です。ドイツのAI専門メディアThe Decoderは、Grok 4.6の2ドル・6ドルという価格が、Claude Opus 5の5ドル・25ドルやGPT-5.6 Solの5ドル・30ドルより60%以上安い、と報じています（SpaceXAI’s Grok 4.6 matches OpenAI’s best model and undercuts it on price）。

出力側の差が特に大きいことに注意してください。入力は2.5倍差ですが、出力は4倍から5倍差です。エージェントは大量に出力を吐くので、この差は効きます。

同記事はもうひとつ興味深い数字を挙げています。GDPval-AA v2において、Grok 4.6は複雑なタスクをおよそ53ステップで完了する一方、Claude Opus 5はおよそ103ステップを要する、というものです。

ただし、ステップ数の少なさをそのままコストの低さへ読み替えることはできません。1ステップあたりの推論の長さも出力の量も一定ではなく、少ないステップで長く考えて長く書くこともあるからです。総額を比べたいなら、ステップ数ではなく実際のトークン消費量か実行費用を見る必要があります。

もう一点、この比較が同じ品質に到達したうえでのステップ数なのか、それとも早めに切り上げた結果なのかも、私は確認できていません。額面どおりに受け取らず、進め方の傾向を示す数字として扱っています。

訓練の流れ

発表には訓練方法の説明も含まれています。技術的な詳細は限られていますが、流れは追えます。

補足の学習

まず、Grok 4.5よりも長い補足の学習を行ったとされています。使われたのは、推論と高度な技術概念のためにキュレーションされたモデル生成データ、高品質なエンジニアリングデータ、そして改良されたオプティマイザと訓練レシピです。

モデル生成データ とは、人間が書いた文章ではなく、AIモデル自身に生成させたデータのことです。良質なデータを人手で集める作業には限界があるため、既存の強いモデルに問題と解答を作らせ、そこから選別して次のモデルを訓練する手法が一般化しています。ここでの「キュレーションされた」は、生成しっぱなしではなく選別を通したという意味です。

オプティマイザ は、訓練中にモデルのパラメータをどう更新するかを決める仕組みです。同じデータと同じ計算量でも、更新の仕方が良ければ到達点が変わります。

この段階の目的は、後続のSFTとRLのための土台を強くすることだと説明されています。

Grok 4.5に軌跡を書かせる

次の段階がSFT（Supervised Fine-Tuning、教師ありの微調整）です。お手本となる入出力の組をモデルに学習させる工程を指します。

ここでSpaceXAIが取った方法は、Grok 4.5を使ってSFT軌跡を再生成することでした。異なる推論量の設定、異なるエージェントハーネス、そしてSTEMやソフトウェア工学、知識労働といった領域を横断して、お手本となる作業手順そのものを前世代モデルに書かせています。そのうえで、モデルによる検査で問題のある軌跡を除外しています。

要するに、先生役を前の世代のモデルが務めている構図です。人間が書いたお手本ではなく、Grok 4.5が実際にタスクを解いた過程を教材にしている。エージェントとしての振る舞いを教えるには、完成した答えより「どう進めたか」の記録のほうが教材として適している、という判断だと読めます。

お手本を誰が用意するかが、前の世代と変わりました。

SpaceXAIは、この工程で得られたSFTチェックポイントが強い性能と改善された振る舞いを見せた、と書いています。

エージェンティックRL

最後がRL（Reinforcement Learning、強化学習）です。良い結果に報酬を与えて、その方向へ振る舞いを寄せていく訓練方法を指します。

Grok 4.6は、幅広いエージェンティックRLタスクで訓練されたとされています。具体的に挙げられているのは、知識労働、一般的なコーディング、そしてカーネル最適化、Web開発、CAD（コンピュータ支援設計）といった領域特化の環境です。

領域特化の環境が挙がっているところは、見ておく価値があります。カーネル最適化にせよCADにせよ、結果の良し悪しを機械的に判定しやすい領域です。速くなったか、設計上の制約を満たしているか。採点できる環境さえ用意できれば、そこでモデルを走らせて報酬を与えられます。

裏返すと、採点しにくい仕事はこのやり方で伸ばせません。ベンチマークの数字が自分の仕事にそのまま効くかどうかは、その仕事が採点しやすい側にあるかで変わります。

安全性について、書かれていることと書かれていないこと

安全性の節は短いものです。書かれているのは次の内容です。

• Grok 4.6の安全装置は改善され、モデルの能力に合わせて較正された
• 安全スタックは正当な用途における有用性とセキュリティを最大化するよう設計されている
• 脆弱性のパッチ適用、エンジニアリング設計サイクルの加速、AI研究の補助といった領域で、有用かつ安全であることを目指す
• 展開前のテストは過去最大規模で、能力と安全装置の較正の両方を対象にした
• 展開後のテストと第三者によるテストも広範に実施した

能力が上がったぶん安全装置も合わせて調整した、という説明です。脆弱性のパッチ適用のような、危険と有用が背中合わせになる領域を名指ししているところは目を引きます。

一方で、書かれていないことも明確です。評価の具体的な数値がありません。どのような評価をいくつ実施し、どの水準に達したのか。閾値を設けているのか、設けているとすればどこで、Grok 4.6はその手前なのか。これらは示されていません。システムカードのような詳細文書への案内も、発表ページ上にはありません。

ここは薄いと思います。能力の節では10種類の評価を数字付きで並べておきながら、安全性の節は形容詞だけです。過去最大規模と言われても、規模を測る目盛りがこちらに無ければ確かめようがありません。SpaceXAIがどちらを検証できる形で出すか選んだ結果が、そのまま出ています。

この発表の読み方

性能あたりの価格という土俵

今回の発表は、同等クラスに手が届く性能を半分以下の価格で出す、という話です。最高性能は狙っていません。

表を素直に読めば、総合指標でGrok 4.6はFable 5（Max）の62に届いていません。コーディング系の主要な評価では、GPT-5.6 Sol（Max）に負けている項目のほうが目立ちます。首位を主張できるのは実世界の知識労働に近い領域です。

それでもこの売り込みが成り立つのは、価格を分母に置くからです。ベンチマークの1点差より、請求額が3分の1になることのほうが実務の判断を動かします。エージェントを常時走らせるような使い方なら、なおさらです。

スコアを縦、単価を横に取って、3つのモデルを置いてみます。

この立ち位置の取り方は正しいと思います。先頭を1社が走っている状況で、2番手が同じ土俵で殴り合っても勝ち目は薄い。価格で殴るほうが早い。

数字の非対称

まず、比較表の第三者スコアは自己申告または公開値のうち最良のものです。同一のハーネスで走らせ直した結果ではありません。Harvey LABにおけるGPT-5.6 Solの2.5%のような、明らかに条件を疑うべき数字も混ざっています。この表は、条件の揃った比較実験ではなく、公開されている数字を集めて並べたものだと理解しておくべきです。

次に、推論量の設定が列によって違います。競合はMax、GrokはHighです。競合を最大設定で走らせているので競合に不利ではありませんが、コストを揃えた比較にもなっていません。価格性能比を売りにするモデルの比較表としては、そこが揃っていないのはやや惜しいところです。

最後に、Terminal-Bench v3.0の26%という数字を軽く見ないほうがいいと思います。AA Intelligence Indexのコーディング枠にはTerminal-Bench v2.1が16%の重みで含まれています。バージョンが違うので直接は比較できませんが、ターミナル上での実作業に弱さが残っているのは確かです。エージェントに実際のコマンドを打たせる用途なら、ここで詰まります。

使いどころの見極め

向いているのは、長時間走らせるエージェント的な作業と、トークンを大量に食う調査や文書処理です。どちらも単価がそのまま請求額に出ます。プロトタイプを一気に立ち上げてから対話で詰めていく作り方も、SpaceXAIが繰り返し推しています。

注意が必要なのは、ターミナル操作を中心とする自動化です。Terminal-Bench v3.0の差はまだ埋まっていません。また、日本語での性能に関する情報は今回の発表に含まれていないので、日本語中心の用途では自分の手元で試すしかありません。知識のカットオフが2026年2月1日である点も、検索ツールを併用しない構成では制約になります。

あと、20万トークンの価格の段差を忘れないことです。50万トークンのコンテキストは魅力的ですが、そこまで詰め込めば単価は倍になります。安さを理由に選ぶなら、20万トークンに届かないように組む。

この先の見通し

Grok 4.6は、首位グループの背中が見える位置まで来て、そこに半分以下の価格を貼りました。

この構図が続くかどうかは、他社が価格をどう動かすかで決まります。性能で並ばれ、価格で下回られた側が同じ価格に降りてくれば、この発表の優位は短期間で薄れます。逆に降りてこなければ、実務での採用は価格で動きます。

私なら、いちばんトークンを食っている処理を1週間だけGrok 4.6に差し替えて、請求額と失敗率を並べます。今回の表は、そこまでの当たりを付けるためのものです。それ以上には使えません。

要点

• SpaceXAIは2026年8月12日にGrok 4.6を公開した。焦点は長時間動くエージェントと、対話や見た目を作り込む仕事。コンテキストは50万トークン、知識のカットオフは2026年2月1日
• AA Intelligence Indexで61を獲得し、GPT-5.6 Sol（Max）と並んだ。前世代のGrok 4.5は56。実世界の知識労働に近いGDPVal-AA v2、AA-Briefcase、Harvey LABでは比較対象中の最高値
• 一方でTerminal-Bench v3.0は26%（GPT-5.6 Sol Maxは34.6%）、DeepSWE v1.1は65.9%（同73%）と、コーディング系では負けている項目が目立つ。ただし前世代からの伸びは大きい
• 価格は100万トークンあたり入力2.00ドル、出力6.00ドル。キャッシュ入力は0.50ドル。ただし20万トークンに達したリクエストは入力も出力も単価が倍になり、高速版は2倍の価格になる
• 比較表の第三者スコアは自己申告または公開値の最良値であり、同一条件の再実行ではない。推論量の設定も列ごとに異なる。表は当たりを付けるまでに使い、決めるのは自分の用途で測った請求額と失敗率

参考資料

一次資料（すべてSpaceXAI公式、2026年8月13日参照）

• Introducing Grok 4.6（2026年8月12日）：この記事の主資料。ベンチマーク比較表、訓練方法、価格、提供チャネル、安全性の記述
• Models | SpaceXAI Docs（最終更新2026年8月12日）：モデルIDとエイリアス規則、知識のカットオフ、検索ツールに関する注意
• Grok 4.6 | SpaceXAI Docs：コンテキスト長、価格の詳細、20万トークン以上のリクエストに適用されるレート、対応機能、リージョン、レート制限
• Introducing Grok 4.5（2026年7月16日）：前世代の発表。価格体系と提供チャネルの比較に使用

独立評価・報道（2026年8月13日参照）

• Grok 4.6 | Artificial Analysis：Intelligence Indexの独立計測値、順位、出力速度とレイテンシ
• Intelligence Benchmarking Methodology | Artificial Analysis（v4.1.1）：AA Intelligence Indexを構成する9つの評価とカテゴリごとの重み
• SpaceXAI’s Grok 4.6 matches OpenAI’s best model and undercuts it on price | The Decoder（2026年8月12日）：競合モデルとの価格比較、GDPval-AA v2におけるステップ数の比較