SpaceXAI、新モデル「Grok 4.6」を発表 ― AA知能指数でGPT-5.6 Solと同水準の61を記録
SpaceXAI(旧xAI)は、8月12日、新モデル「Grok 4.6」を発表した。前モデルのGrok 4.5をベースに、長時間にわたり動作し続けるエージェントタスクと、より野心的な対話型・ビジュアル制作作業への対応力を高めた点が特徴だという。本稿では、xAIの公式発表内容をもとに、Grok 4.6のトレーニング手法、実際の強み、公開されたベンチマークスコア、提供形態までを整理する。
1. 長時間稼働エージェントとビジュアル作業に照準
Grok 4.6は、トピックの調査、情報の分析、コードベース全体をまたぐ作業、アイデアを洗練されたアプリケーションや成果物へと仕上げる作業など、多くの手順にまたがる複雑なタスクに粘り強く取り組み続けられる点を強みとして打ち出している。xAIは、複数のエージェント型コーディングおよびナレッジワーク関連のベンチマークにおいて、Grok 4.6がフロンティア級の知能水準を達成したとしている。9種類のベンチマークを組み合わせた複合指標「AA Intelligence Index」では、GPT-5.6 Solと同水準のスコアを記録したという。Grok 4.6は現在、CursorおよびGrok Buildで利用可能で、提供開始から最初の1週間は、両プラットフォームで利用量が通常の2倍に拡大されている。
2. トレーニング手法の進化
xAIによれば、Grok 4.6は、Grok 4.5よりも長時間の追加トレーニングを経ており、推論や高度な技術的概念に関するモデル生成データを精選して用いたほか、質の高いエンジニアリングデータ、改良された最適化アルゴリズムとトレーニングレシピを採用したという。これにより、その後のSFT(教師ありファインチューニング)およびRL(強化学習)の各段階に、より強固な土台を提供できたとしている。
続いて、xAIは、Grok 4.5を用いて、推論の強度・エージェントのハーネス・STEMやソフトウェアエンジニアリング、ナレッジワークといった各領域にまたがるSFT用の軌跡データを再生成し、モデルベースのチェックによって問題のある挙動を含む軌跡データを除外したという。この結果得られたSFTチェックポイントは、強力な性能と改善された挙動を示したとしている。Grok 4.6は、ナレッジワークや汎用的なコーディングに加え、カーネル最適化やウェブ開発、CAD(コンピュータ支援設計)など、ドメイン特化型の環境を含む幅広いエージェント型の強化学習タスクで訓練されている。
3. 具体的な強み:アイデアを"動くプロダクト"に変える力
3-1. 長時間タスクでの自己検証
xAIは、Grok 4.6の対応範囲と、多くの手順にわたって作業を持続する能力を試すために設計されたプロジェクトでモデルをテストしたと説明する。その結果、幅広いプロダクトのアイデアを、動作する最初のバージョンへと落とし込む作業に特に強いことが分かったという。不慣れな領域を調査し、アプリケーションの構造を組み立て、中核となる操作を実装し、複数回のフィードバックを経てさらに改良を重ねることができるとしている。より長い一連の作業においては、モデルが次の工程に進む前に自らの成果を確認する、自己テストや検証の挙動がより多く見られるようになったという。
3-2. ビジュアル・インタラクティブ制作の一発完成度
Grok 4.6は、ビジュアルおよびインタラクティブなプロジェクトにおいて、Grok 4.5で一般的に見られたものよりも強力な初回成果物を生成するという。具体的なプロダクトのアイデアを与えられると、一度の生成でアプリケーションの構造とビジュアル面での方向性を確立できるとされ、まとまりのある土台からスタートし、そこから反復的に改良を重ねていくアプローチが最も効果的なプロジェクトにおいて、特に有用だとxAIは説明している。
4. ベンチマークスコアで見る立ち位置
xAIは、Grok 4.6 Highを、前モデルのGrok 4.5 High、OpenAIのGPT-5.6 Sol Max、そしてAnthropicのFable 5 Maxという3つのモデルと比較する形で、10種類のベンチマークスコアを公開した。それによれば、9ベンチマークの複合指標である「AA Intelligence Index」で、Grok 4.6は61を記録し、GPT-5.6 Sol Max(61)とほぼ同水準、Grok 4.5 High(56)を上回った一方、Fable 5 Max(62)がわずかに上回る結果となった。
その他の個別ベンチマークでも、モデルごとに得意分野の違いが見られる。実務タスクの評価指標である「GDPVal-AA v2」ではGrok 4.6が1753、Fable 5 Maxが1741、GPT-5.6 Sol Maxが1728という結果だった。コーディング関連の「CursorBench v3.2」ではFable 5 Maxが70.5%で最も高く、Grok 4.6は69.9%、GPT-5.6 Sol Maxは67.2%だった。ソフトウェアエンジニアリングタスクを測る「DeepSWE v1.1」では、GPT-5.6 Sol Maxが73%と最も高く、Fable 5 Maxが70%、Grok 4.6は65.9%にとどまった。また「Terminal-Bench v3.0」では、GPT-5.6 Sol Maxが34.6%、Fable 5 Maxが34.1%と拮抗する一方、Grok 4.6は26%だった。総じて、いずれか一つのモデルが全項目で圧倒的優位に立つのではなく、ベンチマークごとに首位が入れ替わる僅差の競争になっている。xAIは、競合モデルのスコアについては各開発元が公開している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用したものだとしている。
5. 安全性への取り組み
xAIは、Grok 4.6の安全対策について、モデルの能力向上に合わせて改善・調整を行ったと説明している。同社の安全対策の設計思想は、脆弱性のパッチ適用やエンジニアリング設計サイクルの高速化、AI研究の支援といった正当な用途において、有用性とセキュリティの両方を最大化することにあるという。また、Grok 4.6の能力拡大を踏まえ、これまでで最も広範なデプロイ前のケイパビリティ評価・安全対策の調整テストを実施したほか、デプロイ後のテストやサードパーティによるテストも広く行ったとしている。
6. 提供形態と価格
Grok 4.6は、現在、CursorとGrok Buildで利用可能なほか、API、さらにOpenRouterやVercel、Cloudflareといったパートナー経由でも提供されている。価格は入力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、これとは別に、価格が2倍となる高速版も用意されている。
