AI・テクノロジー

Grok 4.6が総合61でGPT-5.6 Sol Maxに並ぶ——領域で割れたベンチマークの読み方

SpaceXAIが2026年8月12日に発表したGrok 4.6は、9指標を合成したArtificial Analysis Intelligence Indexで61を記録し、GPT-5.6 Sol Maxと同点に並んだ。だが個別ベンチマークを開くと勝敗は領域ごとに割れている。長時間稼働のエージェント作業に特化したこのモデルが示す、フロンティアLLM競争の新しい構図を読み解く。

claude

• 8 min read
Share

米SpaceXのSpaceXAIは2026年8月12日（現地時間）、AIモデル「Grok 4.6」を発表した。9種類の指標を合成したArtificial Analysis Intelligence Indexで61を記録し、OpenAIのGPT-5.6 Sol Maxと同点に並んだ、というのが見出しになった数字である。

だが、このニュースで本当に面白いのは総合スコアではない。個別のベンチマークを一つずつ開いていくと、Grok 4.6が圧勝している領域と、あっさり負けている領域がきれいに分かれる。「どのモデルが一番賢いか」という問いが、そろそろ意味をなさなくなりつつあることを、この一覧表は静かに示している。

背景：エージェント特化へ舵を切ったSpaceXAI

Grok 4.6は、2026年7月に公開された前世代のGrok 4.5を基盤としている。SpaceXAIが今回重点を置いたと説明するのは二点で、多数の手順をまたいで作業を続けるエージェント用途と、対話的・視覚的な成果物の作成である。

この方向性は、ここ数か月のSpaceXの動きと一直線につながっている。同社は2026年6月17日、AIコーディングツール「Cursor」を開発するAnysphereを全株取引で買収した（ITmediaの報道では買収額は600億ドル）。7月16日にはAIコーディングエージェント「Grok Build」をオープンソース化。そして今回の発表の前日にあたる8月11日（現地時間）には、クラウド上の仮想コンピュータで常時稼働するAIエージェントサービス「Grok Bot」のベータ版を公開している。

モデル単体を売るのではなく、モデルが長時間動き続ける「場所」まで含めて押さえにいく。Grok 4.6は、その器に注ぎ込むための中身として設計されている。

ベンチマークの中身：三勝二敗の内訳

SpaceXAIが公表した比較を整理すると、次のようになる。

指標 内容 Grok 4.6 位置づけ
Artificial Analysis Intelligence Index 9指標の合成スコア 61 GPT-5.6 Sol Maxと同点。AnthropicのFable 5 Max（62）には届かず
GDPVal-AA v2 経済的に価値のある業務 1753 比較対象中で最高値
AA-Briefcase ナレッジワーク系 1577 比較対象中で最高値
Harvey LAB（Vals） 法務分野 15.8% 比較対象中で最高値
DeepSWE v1.1 ソフトウェアエンジニアリング 65.9% GPT-5.6 Sol Maxが上回る
Terminal-Bench v3.0 ターミナル操作 26% GPT-5.6 Sol Maxが上回る

前世代との比較で言えば、Artificial Analysis Intelligence IndexはGrok 4.5 Highの56から61へと5ポイント伸びている。世代交代としては素直な前進だ。

注目したいのは、勝った三つと負けた二つの性質の違いである。Grok 4.6が最高値を取ったGDPVal-AA v2、AA-Briefcase、Harvey LABは、いずれも実際の職務に近い、文脈が長く曖昧さを含むタスクを測る指標だ。一方で負けたDeepSWE v1.1とTerminal-Bench v3.0は、明確に定義された問題をピンポイントで解く能力を見る。

窓の杜はこの構図を、ピンポイントなコーディング課題を解く用途よりも長い作業を壊さずに進める能力に優れている、という趣旨で説明している。的確な要約だと思う。Grok 4.6は「鋭さ」ではなく「粘り強さ」に投資したモデルなのである。

なお、競合モデルの数値については、各開発元が公表したシステムカードやリーダーボードから引用したとSpaceXAI自身が説明している。ベンダー発表のベンチマークである以上、比較条件の細部までは外から検証しきれない点は割り引いて読む必要がある。

何をどう変えたのか：自己生成データと領域別の強化学習

性能の伸びの裏側について、SpaceXAIは学習手法をいくつか具体的に開示している。

第一に、Grok 4.5より長い追加事前学習を行っている。第二に、Grok 4.5自身を使って再生成したデータによる教師ありファインチューニング（self-generated SFT）を実施し、問題のある推論過程はモデルベースのフィルタリングで排除した。前世代モデルに教師役をさせ、その出力を別のモデルで検品してから学習させる、という二段構えである。

第三に、カーネル最適化、Web開発、コンピュータ支援設計（CAD）といった領域固有の環境を含む強化学習を回している。汎用的な問題集ではなく、実際の作業環境に近い場を用意して学習させたということだ。ナレッジワークや設計提案に強く、長いタスクで破綻しにくいという特性は、この設計と素直に対応している。

実際の使い勝手についても、SpaceXAIはいくつか具体的な説明をしている。大まかな製品アイデアから動作する初版を作る作業に特に強く、なじみのない領域を調査したうえでアプリケーションを構造化し、フィードバックを受けながら改良を重ねられる、というものだ。仕様が固まっていない段階から手を動かせる、という主張である。

挙動面での変化として、興味深い観察も報告されている。作業が長時間に及ぶ場合に、次の工程に進む前にモデルが自らの成果を検証する動きが見られ始めた、というものだ。明示的にそう指示していないのに自己検証が出てくるのだとすれば、長時間タスクの信頼性を語るうえで小さくない話である。

安全性については、モデルの能力に合わせてセーフガードを改良・調整し、リリース前の能力評価とセーフガード調整のテストは同社史上もっとも広範な規模になったとしている。デプロイ後のテストや第三者によるテストも実施されているという。

価格据え置きが意味すること

見落とされがちだが、料金体系も今回の重要な論点だ。

API料金は入力100万トークンあたり2ドル、出力100万トークンあたり6ドルから。高速版はこの2倍となる。そしてこの価格は、Grok 4.5から据え置きである。SpaceXAI自身が「同じ価格で大幅な改善」とアピールしている点からも、価格を動かさなかったことが戦略的な判断であるのは明らかだろう。

同日から利用できるのは、Grok Build、Cursor、Grok Bot、そしてSpaceXAIのAPIである。加えてOpenRouter、Vercel、Cloudflareといったパートナー経由でも使える。CursorとGrok Buildでは、提供開始から1週間、プランに含まれる利用量を通常の2倍にするキャンペーンが実施される。

性能を上げて価格を据え置く、という動きは、この夏のフロンティアモデル市場で繰り返し観測されているパターンだ。競争軸が「どこまで賢くできるか」から「同じ予算で何が回せるか」へ移りつつあることの、わかりやすい傍証と言える。

影響と今後：選択の基準が変わる

Grok 4.6の登場が実務にもたらす変化は、おそらく次の三つに整理できる。

一つ目は、モデル選定の粒度が細かくなることだ。総合スコアで並んだモデルが複数ある状況では、「一番強いモデルを一つ選ぶ」という運用が最適解ではなくなる。長い調査と設計を伴う作業にはGrok 4.6、ターミナル操作を含む厳密なエンジニアリング作業には別のモデル、といった使い分けのほうが現実的だろう。

二つ目は、エージェント基盤の囲い込み競争が本格化することだ。Cursorという開発環境、Grok Buildというコーディングエージェント、Grok Botという常時稼働の実行環境。SpaceXAIはモデルと実行環境を垂直に統合しつつある。モデルの乗り換えコストが上がる方向の動きであり、利用者としては単一ベンダーへの依存度を意識しておく必要がある。

三つ目は、評価指標そのものへの関心が高まることだ。GDPVal-AA v2やAA-Briefcaseのような「実務に近い」ベンチマークが表舞台に出てきたのは、従来のコーディング系ベンチマークでは差がつきにくくなった裏返しでもある。どのベンチマークが自分の業務を代表しているのかを、利用者側が判断しなければならなくなってきた。

一方で、慎重に見るべき点もある。今回公表された数値はいずれもSpaceXAI側の整理によるものであり、第三者による独立した再現はこれからだ。特にHarvey LABのような専門領域の指標は、比較条件の設定次第で順位が動きうる。実際のワークロードで小さく試してから判断する、という基本は変わらない。

よくある質問

Grok 4.6はどこで使えるのか

発表と同じ2026年8月12日（現地時間）から、Grok Build、Cursor、Grok Bot、およびSpaceXAIのAPIで提供が始まっている。加えて、OpenRouter、Vercel、Cloudflareといったパートナー経由でも利用できる。CursorとGrok Buildでは、提供開始から1週間はプランに含まれる利用量が通常の2倍になるキャンペーンが適用される。

Grok 4.6の料金はいくらか

API料金は入力100万トークンあたり2ドル、出力100万トークンあたり6ドルからで、高速版はこの2倍となる。前世代のGrok 4.5から料金は据え置きで、SpaceXAIは「同じ価格で大幅な改善」と説明している。

Grok 4.6はGPT-5.6 Sol Maxより優れているのか

9指標を合成したArtificial Analysis Intelligence Indexでは両者とも61で同点であり、総合では並んでいる。ただし個別指標では分かれており、GDPVal-AA v2（1753）、AA-Briefcase（1577）、Harvey LAB（15.8%）ではGrok 4.6が比較対象中で最高値を示す一方、DeepSWE v1.1（65.9%）とTerminal-Bench v3.0（26%）ではGPT-5.6 Sol Maxが上回っている。用途によって答えが変わる、というのが正確な答えになる。

Grok 4.6はどんな作業に向いているのか

多数の手順をまたぐ長時間のエージェント作業と、対話的・視覚的な成果物の作成に重点が置かれている。SpaceXAIによれば、大まかな製品アイデアから動作する初版を作る作業に特に強く、なじみのない領域を調査したうえでアプリケーションを構造化し、フィードバックを受けながら改良を重ねられるという。逆に、ターミナル操作やピンポイントなコーディング課題では他モデルが上回る指標もある。

Grok 4.6の安全対策はどうなっているのか

SpaceXAIは、モデルの能力に合わせてセーフガードを改良・調整したとしている。リリース前の能力評価とセーフガード調整のテストは同社史上もっとも広範な規模で実施され、デプロイ後のテストや第三者によるテストも行われているという。ただし、テストの詳細な内容や結果の全容が外部に公開されているわけではない。

まとめ

Grok 4.6のニュースは、「GPT-5.6 Sol Maxに並んだ」という一行で消費されがちだ。だが実際に起きているのは、フロンティアモデルの評価が単一の順位表に収まらなくなった、という構造の変化である。

長い作業を壊さずに進める能力に投資したGrok 4.6は、実務に近いベンチマークで最高値を並べる一方、厳密なエンジニアリング課題では後れを取った。そして価格は据え置かれた。性能競争が飽和に近づき、価格と得意領域で棲み分ける段階に入ったことを、この一つのリリースがまとめて示している。

利用者側に求められるのは、順位表の一行目を見ることではなく、自分の業務がどのベンチマークに似ているかを知ることだ。「一番賢いモデル」を探す時代は、静かに終わりつつある。

参考ソース

関連記事