综合分追平 GPT-5.6，十项里 Fable 5 赢最多

这次主推的一句是「在 AA 智能指数（Artificial Analysis Intelligence Index）上与 GPT-5.6 Sol 打平」，GPT-5.6 Sol 是 OpenAI 当前的旗舰模型。这个指数是九个测试合成的一个综合分：

官方同时放了一张十项明细表。把它摊开数第一名，故事就不太一样了：

数一下第一名的归属：Fable 5 Max 拿了 5 项，Grok 4.6 拿了 3 项，GPT-5.6 Sol Max 拿了 2 项。所以「追平 GPT-5.6」这个说法只在那个九合一的综合分上成立，十项明细里赢得最多的是 Fable 5 Max。

Grok 4.6 强的方向集中在两块：知识工作和法律。知识工作那两项（GDPVal-AA 1753、AA-Briefcase 1577）都是第一；法律那项差距最夸张，它拿 15.8%，GPT-5.6 Sol Max 只有 2.5%，差了六倍多。

短板同样清楚：Terminal-Bench 只有 26%，GPT-5.6 是 34.6%、Fable 5 是 34.1%，落后八个多点。这项测的是在终端里干活的能力。官方的文字部分没提这一项，只在表格里能看到。

而相比自家上一代，进步是实打实的：Terminal-Bench 从 15.7% 到 26%，APEX-Agents 从 47.1% 到 57.5%，DeepSWE 从 54% 到 65.9%，AA-Briefcase 从 1313 到 1577。

一句提示词，比两页规格书更管用

官方在长任务里观察到一个变化：模型开始自己测自己，干完一步先检查自己的活，再往下走。

而在实测里，这个行为有一个能被显式要出来的开关，一句话。

做法是这样的：同一个「做个电子表格应用」的任务，给两个模型各跑两遍。一遍给的是两页规格书，工具栏每个按钮、每个快捷键、每个公式全写清楚；另一遍只给三句话：

两个结果几乎一模一样。真正改变结果的，是加上这一句：

加上它之后，模型会自己打开应用、沿着真实的用户路径点一遍、检查嵌套公式算得对不对，然后修掉它发现的问题。这是那几周里杠杆最高的一件事。

这个循环能转起来有个前提：模型的浏览器操作能力得够好。没有「能自己打开看一眼」这个能力，后面全都无从谈起。

两种提示词长度的产出对比。此后的每组对比都是同一个提示词在隔离的工作区里分别跑两个模型，不是凭上个月的记忆。图 / Eric Zakariasson

跳过验证会怎样

反面例子来自后面那个 Excalidraw 项目：某次跑完，摘要读起来像是完成了，但新增视图这个功能实际上不工作。一句「跑一遍给我看」，才把那个坏掉的 import 暴露出来。

提示词的措辞没用，长度决定谁来做主

同一批实验还测了提示词风格，结论有三条。

长规格书并没有失效。他给过一份详细规格做反馈组件，包含会话捕获、服务端处理、云端 Agent 派发，模型端到端跟了下来，结构也合理。但有个具体毛病：除非你明确要求拆分，它会在组件里重复自己。

输出越难自己检查，越得你盯着

整份实测里最能迁移的一条判断在这儿：需要人工介入的地方，根源都是同一个，模型能不能验证自己的活。

所以实用的对策只有两条：要么给它一个「能看」的手段，要么接受这活得你自己检查。

同一个道理在难检查的输出上也成立。对一个 3D 场景说「改进材质」，毫无进展；换成下面这句，立刻见效：

五个项目实测：4.6 的第一版明显更完整

下面六段都是同一个提示词、在隔离的工作区里分别跑 4.5 和 4.6，左右并排录下来的，不是凭上个月的记忆。

跑了几天下来，视频是模型之间差距最大的地方，两个在网页应用上感觉旗鼓相当的模型，在这里可能差得很远。

摘要更密、响应更快，用法从异步回到同步

除了做出来的东西，用起来的手感也变了。

速度那条影响更大。4.5 也快，而 4.6 是又快又明显更聪明，这个组合把工作方式推回了同步：不再前置一大堆上下文然后等着，而是要一小块、看一眼、接着走；同一个会话里想转成长任务，说一声就行。

取舍在这儿：异步能在人不在的时候多干活，代价是丢掉线索、最后要冷着头审一个大 diff。真在乎结果的时候，同步那一侧更值得待。

它顺手接掉的杂活

几周里大部分是普通工作：替他导航网站（包括点进某个服务商的控制台创建 API key）、对运行中的应用做功能和视觉 QA、把收件箱收敛到真正需要回复的那几封、起草两个功能的发布推文，还用 Remotion 给它们做了发布视频。

他仍然亲自盯的地方

输出要按「好不好看」来评判的活，动效、3D、最后的打磨，他还是自己介入，因为这些要的是一张参考图加一个截图循环，而不是一段文字描述。另外他会把验收标准写下来，而不是相信一句「已完成」的总结。

他把 4.6 当默认模型的理由不是它某项最强：有些模型是尖的，在某一件事上极其出色，但日常工作不是某一件事。他要的是一个自己足够了解的模型，知道它怎么表现、可靠到能把事交出去、缺点熟到能下意识绕开。

提示词原句和使用指南，可以直接抄

下面这几句都来自那几周的实测，英文是原句，可以一字不改地用。

Verify the function and design after implementation, and keep on iterating and verifying until it's production ready.

加在任务描述的末尾。它会让模型自己打开应用、沿真实用户路径点一遍、检查计算对不对，再修掉发现的问题。这一句是那几周里杠杆最高的改动。

capture the current frame, list what's wrong with it, then fix only those things

run it and show me

第三句看着简单，但正是它暴露了一次「摘要说已完成、功能实际不工作」的情况，一个坏掉的 import。

Build a polished Sheets/Excel-style app in Next.js and an AI chat that can analyze the sheet. Use the Cursor SDK for all AI features. Preload a realistic sample workbook so it looks good immediately.

没用的说法

七条使用指南

怎么用上：入口、价格、首周双倍额度

入口有三类：Cursor、Grok Build、以及官方 API（console.x.ai），另外 OpenRouter、Vercel、Cloudflare 等也都能调到。

价格是输入每百万 token 2 美元、输出 6 美元，和 4.5 一样；fast 版本翻倍，但快多少没有说明。首周在 Grok Build 和 Cursor 里给双倍的包含用量。

这次主推的一句是「与 GPT-5.6 Sol 打平」，AA 智能指数（Artificial Analysis 用九项测试合成的综合分）。把十项明细摊开数第一名，故事不一样。

Grok 4.6 强在知识工作和法律；短板在终端里干活，这一项官方文字部分没提，只在表格里能看到。跑分均为 xAI 自测，竞品数字取自各家公开材料里的最好成绩，没有第三方统一复测。

一位把 Grok 4.6 当日常主力用了几周的工程师做过一组对照实验：同一个电子表格应用任务，一遍给两页规格书（工具栏每个按钮、每个快捷键、每个公式全写清楚），一遍只给下面这三句话，两个结果几乎一样。

加上它，模型会自己打开应用、点开真实用户路径、查嵌套公式对不对，修掉自己发现的问题，前提是它的浏览器操作能力够好。这和 xAI 在长任务里观察到的现象对上了：模型开始自己检查自己干完的活，再往下走；一边是 xAI 的观察，一边是用户能直接用的开关。同一批实验还发现，提示词的措辞和长度本身影响都不大，撬动结果的是这句验证要求。

需要人盯着的地方，都指向同一件事，模型能不能验证自己的活。网站最容易，3D 更难，视频和物理最难。

对 3D 场景说「改进材质」，没进展；换成「截下当前这一帧，列出哪里不对，然后只修这些」，立刻见效，给它一个能看的手段，问题就解决了一半。