这两天应该是 AI 编程圈入夏以来最热闹的 48 小时：8 月 12 日 xAI 发布 Grok 4.6，隔了不到一天，DeepSeek 也把 V4 Pro 正式版推上了 API。今早一刷手机，满屏基本就两类标题：“跑分登顶"和"1/3 价格追平 Sol”。
偏偏 Cursor 还给上了首周双倍额度。这时间点卡得太巧了。
于是不少人来问同一个问题：主力模型要不要换？双倍额度要不要赶紧薅？
我把过去 24 小时的官方发布、第三方评测、社区复现和各站实测视频都翻了一遍。先说结论：Grok 4.6 值得一试，但宣传话术要打折扣，双倍额度这周更适合当 A/B 测试窗口，别直接换主力。
先分清哪些数字是真的，哪些是营销话术。
可以直接信的部分：Artificial Analysis 智能指数 61 分，与 GPT-5.6 Sol Max 持平、比 Claude Fable 5 低 1 分。知乎GDPval-AA v2 拿 1753 Elo，官方表里压过 Sol Max（1728）和 Fable 5 Max（1741），Artificial Analysis 全榜也稳居第二、仅次于 Claude Opus 5 (max)（上一代只有 1526，提升幅度不小）。36氪价格输入 $2/百万 token、输出 $6/百万，上下文 500K。渠道也铺全了：Cursor、Grok Build、OpenRouter、API 同步接入。知乎Cursor 付费用户首周额度翻倍（Ultra 和 Premium Teams 档优先）。
要打折扣的部分有三条。
第一，"等效 Sol 5.6"出自 xAI 自家基准，测试集没公开。知乎上有人直接开怼：翻遍全网找不到测试题、找不到评分脚本，甚至不知道它具体测了什么。知乎社区有 IT 人不信邪自己做了复现实验，在中立基准 MATH 上，Grok 4.6 拿 81.3 分，Sol 5.6 同项是 94.1，差了一个身位还多，而 xAI 官方至今没回应这个差距。注意，这是社区复现数据，不是官方口径，但"自己出题自己判卷、测试集不公开"这件事本身，就足够让"等效"两个字打折了。
第二，"1/3 价格"是单价故事。看牌面单价，Grok 4.6 输入比 Sol 低 60%、输出低 80%，夸张得不像话。但有做模型网关的开发者按同一套评测负载算了任务账：Grok 4.6 每任务约 $0.84，Sol 约 $1.23，实际只省 32% 左右。36氪而且这一代的缓存输入价从 4.5 时代的 $0.30 悄悄涨到了 $0.50，对重缓存的长 Agent 场景，这是笔隐形开销。
第三，最出圈的那张跑分背后有关联方。Grok 4.6 在 CursorBench 上和 Fable 5 打得难分难解（Extra High 档 70.8% 对 70.5%），单任务成本 $2.81 对 $17.32，后者看着是真香。知乎但 CursorBench 的运营方是 Cursor，而 SpaceX 在 6 月 16 日已经和 Cursor 母公司 Anysphere 签了合并协议，隐含估值 600 亿美元，目前还在等监管批准。这层关系不能证明榜单造假，但交叉验证是必须的。
再看 Grok 4.6 强在哪、不强在哪。
按 xAI 自己给的分项：知识工作、CursorBench、法律任务上比 Sol 强；DeepSWE（代码仓库修复）65.9%，比 Sol Max 低 7 个百分点，终端类任务也是 Sol 占优。36氪官方主推方向是"长程 Agent"，新增了 xhigh 推理档位，训练也往长流程任务倾斜，官方案例里模型出现了更多"先自查再继续"的行为。知乎
翻译一下：它提升的是"长时间跑任务不跑偏"的能力，不是"当场写码更快"的能力。你的主力场景如果是一次性短代码生成，体感提升可能有限。
最后说最实际的：谁适合试，怎么试。
最适合试的是 Cursor 付费用户，这周的双倍额度相当于免费窗口。别拿 demo 玩，直接把你手上现成的任务拿来做 A/B：同一个需求，Grok 4.6 跑一遍、你现在的主力模型跑一遍，记三件事——用了几轮对话、你手动改了多少行、最后有没有真的合并。知乎这比任何跑分都靠谱。
适合的场景有个边界：价格敏感、上下文 200K 以内、验收标准清楚。为什么强调 200K？超过这个长度会进入 $4/$12 的阶梯计价，输入价优势从低 60% 收窄到低 20%，任务账又是另一个算法。36氪
不建议立刻换主力的：重度终端操作、超长上下文（Sol 官方窗口 105 万 token，Grok 是 50 万）、需要严格审计的场景。知乎另外发布才一天多，独立生产样本还不够，长任务可靠性要看工具失败后的恢复、中断后的续接、最终返工量，这些问题现在谁也给不出答案。
给自己设个观察阈值：先用路由的方式切一部分流量，跑满 30 个任务后看两个数——一次成功率有没有掉、通过验收的结果总成本是不是更低（算上重试和返工，不是只看 token 账单）。都满足，再扩大路由；重试吃掉了价差，就让它留在合适的位置。
顺手留两个后续观察信号：马斯克说 Grok 4.7 会在 3-4 周后到来，这个迭代速度意味着没必要急着在 4.6 上押重注。36氪同窗口发布的 DeepSeek V4 Pro，输出价 6 元/百万 token（Grok 4.6 输出折合约 43 元，差了约 7 倍）。知乎终端 Agent 测试 87.9 分逼近 Fable 5 的 88.0——预算敏感的路由党，国产这边也多了一个可选。
跑分是厂商的卷子，你的任务才是你的题。双倍额度别浪费，但用它来验证，而不是用它来换队。
