Grok 势头增强：基准测试与投资者热议

Atreides Management 的合伙人加文·贝克（Gavin Baker）在持有 SpaceX 股份的情况下，向该公司投资者群体透露了一则本应引发关注的信息：他们极少提及 Grok，尽管他认为该模型“在许多指标上具有帕累托优势”^[1]。这是一次不同寻常的表态——贝克并非 Grok 的鼓吹者，而是一位外部投资者，指出同行可能低估了他们已投资公司内部的一项资产。

贝克的具体观点是，Grok 4.6 在性能上仅比 Claude Fable 5 Max 低 1 分——而后者被他称为“大多数人公认的黄金标准”——但运行成本仅为后者的几分之一：性能大致相当，成本却低 85%，输入令牌便宜 80%，输出令牌便宜 88%。如果这一计算成立，Grok 不仅是前沿领先模型的可行替代品，甚至可以说是每美元投入更具优势的选择，然而机构关注尚未跟上。这一基准现实与投资者关注度之间的差距，比以往任何一次 Grok 更新都更重要，因为 SpaceX 在 2026 年 2 月以全股票交易方式收购 xAI，将合并实体估值定为 2500 亿美元^[2]，而这一估值的相当一部分，现在取决于投资者如何看待 Grok 在 SpaceX 上市前的发展轨迹。

抛开投资者的言论，其背后是一个鲜明的价格对比。人工分析（Artificial Analysis）将 Grok 4.6 在智能指数上的得分为 61 分——比一个月前的 Grok 4.5 提升 5 分，比 Grok 4.3 高出 23 分，使其与 GPT-5.6 Sol Max 处于同一梯队，仅比 Claude Fable 5 Max 的 62 分低 1 分^[3]。但定价与前一版本完全一致：每百万输入令牌 2 美元，每百万输出令牌 6 美元，该机构计算得出，这比 Claude Opus 5 的 5/25 美元和 GPT-5.6 Sol 的 5/30 美元便宜超过 60%^[3]。在每项完成任务的基础上，差距进一步扩大——一项分析显示，Grok 4.5 的编码代理成本为每任务 2.49 美元，而 Claude Code 为 11.80 美元，Codex 为 5.07 美元^[4]。

这一算术正在重塑开发者实际构建方式。在以编码为核心的社区中，新兴模式并非“完全转向 Grok”，而是“链式调用”：让 Fable 5 或 Opus 等更昂贵的模型负责架构与规划，再将明确定义的实现任务交给 Grok，部分开发者表示这种拆分带来了显著的成本节约。这比“Grok 击败 Fable 5”更平淡，却是真正有真金白银支撑的故事，也正是贝克在股票层面所提出的效率论点。

取决于你参考哪张表格，Grok 4.6 要么几乎与最佳模型并列，要么明显落后。在特定任务的编码评估中——CursorBench、DeepSWE、FrontierCode、APEX-Agents、Terminal-Bench 和 APEX-SWE——Fable 5 明确领先，而 Grok 在 GDPVal-AA、AA-Briefcase 和 Harvey LAB 上位居榜首^[5]。另一项由独立运行的 RubyLLM/OpenCode 测试框架则呈现了第三种图景：GLM 5.3 得分 94，Gemini 3.7 Flash 为 93，Qwen 3.8 Max 跃升 41 分至 92，Grok 以 91 分处于同一梯队^[6]。这些排名之间并不完全矛盾，因为它们测试内容不同，但综合来看，解释了为何“帕累托优势”仍是一个有争议的说法，而非定论。

这种争议性直接体现在开发者社区中，对 Grok 4.6 基准测试发布的反应几乎平分秋色：一部分人对其实现的性价比表示真诚兴奋，另一部分则公开质疑数据本身——指责特定评估被“刷分”，或版本变更使跨模型比较不可靠。怀疑背后也存在真实质量担忧：一项对比指出，Grok 4.5 的幻觉率上升至 54%，高于前一版本的 25%^[7]，这种权衡是智能指数分数无法体现的。

xAI 的金融布局真实且有明确时间线：该公司自 2026 年 3 月起开始专门招聘华尔街银行家和信贷专家，以训练 Grok 在金融建模方面的能力^[8]，而盈透证券（Interactive Brokers）在同年 6 月将 Grok 接入其 AI 交易平台，允许客户连接经纪账户，免费获取投资组合分析和自然语言交易指令^[9]。阿波罗全球管理公司（Apollo Global Management）、摩根士丹利（Morgan Stanley）和瓦洛尔股权合伙公司（Valor Equity Partners）均被报道正在内部测试或使用 Grok^[2]，零售端的集成名单也在持续增长。

但记录这些集成的报道本身也削弱了“采用”的叙事：据多方消息，已注册试用 Grok 的金融从业者，目前极少将其用于日常实际工作^[2]。这种“已集成”与“已采用”之间的差距至关重要，因为它预示了 Grok 未来在任何新领域可能面临的张力——其中一部分阻力根本不是技术性的。在讨论基准测试发布的开发者社区中，反复出现与能力无关的反对声音：一个持续且声音响亮的用户群体表示，无论模型得分如何，他们都不会为任何与埃隆·马斯克（Elon Musk）关联的产品付费，这种购买否决权是任何帕累托优势都无法通过基准测试消除的。