Grok 4.6は61点で世界3位｜API料金6割安

監修者伊東雄歩

株式会社ウォーカー CEO。東北大学卒。MENSA会員、JDLA認定講師、健全AI教育協会理事。生成AI×教育・学習科学を専門とし、2億円超のシステム開発プロジェクトを統括。

SpaceXAIが2026年8月12日に新モデル「Grok 4.6」を発表しました
総合指標「Artificial Analysis Intelligence Index」で61点を獲得し、GPT-5.6 Sol Maxと並んで世界3位につけました
API料金は入力100万トークン2ドル・出力6ドルのまま据え置きで、Claude Opus 5より6割以上安く使えます
同じ仕事を平均53ターンで終わらせる「手数の少なさ」が、長時間動くAIエージェント向けの武器になっています
一方でTerminal-Bench v3.0は26.0%と競合に届かず、20万トークンを超えると料金が2倍になる落とし穴もあります

AIの新モデルが出るたびに「で、結局どれを使えばいいの？」と迷ったことはありませんか。2026年8月12日に登場したGrok 4.6は、性能そのものより「同じ結果をいくらで出せるか」で存在感を示したモデルです。61点という順位の裏側と、日本のユーザーにとっての意味を整理します。

Grok 4.6とは？8月12日に発表された内容

Grok 4.6は、イーロン・マスク氏が率いるSpaceXAIが公開した最新のLLM（人間みたいに文章を書けるAI）です。

発表は2026年8月12日（米国時間）。前世代のGrok 4.5が出てから、わずか1か月あまりでの世代交代になりました。

今回のバージョンで狙いを定めたのは、チャットの受け答えの上手さではありません。エージェント用途、つまりAIが人間の指示を受けて何十手も自分で作業を進める使い方に重点が置かれています。

加えて、対話しながらグラフや資料などの「成果物」を作らせる用途も強化されました。

基本スペック

数字で押さえておきたい仕様は次のとおりです。

コンテキストウィンドウ（一度に読み込める文章量）: 50万トークン（4.5から据え置き）
知識のカットオフ: 2026年2月1日
入力: テキストと画像／出力: テキストのみ
推論レベル: low・medium・high（既定）・xhighの4段階

このうちxhighは4.6で新しく加わった段階です。時間をかけてでもじっくり考えさせたい、難しい作業のために用意されました。

提供先も広く、xAIのAPI（モデル名はgrok-4.6）に加えて、コードエディタのCursor、Grok Build、Grok Bot、さらにOpenRouter・Vercel・Cloudflare経由でも使えます。

ちなみに、一般向けチャットサービスへの搭載は今回アナウンスされていません。あくまで開発者と企業が主な対象です。

ベンチマーク61点の中身を分解する

ニュースの見出しになった「61点」は、第三者機関Artificial Analysisが算出する総合指標Intelligence Indexのスコアです。

複数のテストの成績をひとつにまとめた、いわば模試の偏差値のような数字だと考えてください。

1か月で5点、2世代で23点の伸び

Grok 4.5のスコアは56点でした。つまり1か月あまりで5点の上積みです。

さらにさかのぼると、Grok 4.3からは23点も伸びています。この分野の進み方の速さがよく分かる数字です。

上位の顔ぶれは、1位がClaude Opus 5（max）の63点、2位がClaude Fable 5の62点、そして3位にGrok 4.6とGPT-5.6 Sol Maxが61点で並びました。中国発のKimi K3は追い抜いた形です。

エージェント系の指標では上位に食い込む

個別のテストを見ると、Grok 4.6の得意分野がはっきりします。

GDPval-AA v2（実務タスクの総合力）: Elo 1753。Claude Opus 5に次ぐ2位
AA-Briefcase（長い調査・資料作成）: Elo 1577
τ³-Banking（金融業務の再現）: 50.7%で上位2番手
Terminal-Bench v2.1（ターミナル操作）: 88.4%でトップ勢と互角
Harvey LAB（法務タスク）: 15.8%

公式に公開された10項目すべてで、Grok 4.5を上回りました。ただし、これらの数値の多くはSpaceXAI自身の申告であり、競合の数値は各社の公開資料から引用されたものです。

比較条件が完全に揃っているわけではない、という前提は頭に置いておきたいところです。

本当の武器は「1タスク0.84ドル」の安さ

Grok 4.6が評価されている最大の理由は、順位ではなくコストです。

API料金は入力100万トークンあたり2ドル、出力6ドル。Grok 4.5から据え置かれました。日本円ならおよそ入力300円、出力900円という水準です。

競合と並べると差は歴然です。Claude Opus 5は5ドル／25ドル、GPT-5.6 Sol Maxは5ドル／30ドル。出力で見ると6割以上安い計算になります。

手数が半分で済む

安さは単価だけの話ではありません。同じ仕事を終えるまでの「手数」も少なくなっています。

AA-Briefcaseの計測では、Grok 4.6は1つの課題を平均53ターン・入力5億トークンで解き切りました。

同じ課題でClaude Opus 5（max）は平均103ターン・20億トークンを要しています。つまり往復回数はおよそ半分、読み込むトークン量は4分の1です。

この積み重ねの結果が、1タスクあたり0.84ドル（約126円）という実測コストです。単価の安さと手数の少なさが二重に効いています。

夜間にAIへ調査を任せ、朝に結果を受け取るような運用を考えてみてください。1回126円なら、100件回しても1万3000円ほど。試しにやってみようと言い出せる金額になります。

弱点と注意点｜長文で料金が2倍になる罠

もちろん、いいことばかりではありません。

苦手なベンチマークもある

コード修正力を測るDeepSWEは65.9%。Grok 4.5の54.0%から大きく伸びましたが、GPT-5.6 Solの73.0%には届きません。

より新しいTerminal-Bench v3.0では26.0%にとどまりました。GPT-5.6 Sol Maxの34.6%、Fable 5 Maxの34.1%とは差があります。

APEX-Agentsも57.5%で、Fable 5の59.2%をわずかに下回りました。

ただし、この種のテストは課題数が少ないという指摘もあります。Terminal-Benchは初代が80問、2.0でも89問しかなく、数問の相性で順位が動きやすいのが実情です。

一発のスコアで決めつけず、自分の業務に近い作業で試すのが確実です。

20万トークンを超えた瞬間に料金が変わる

実は、料金表にはもうひとつ重要な条件があります。

リクエストが20万トークン以上になると、長文向けの料金体系に切り替わります。入力4ドル、キャッシュ1ドル、出力12ドル。単純に2倍です。

やっかいなのは、超過分だけでなくそのリクエスト全体が2倍の単価で計算される点です。

19万9000トークンと20万1000トークンでは、わずか2000トークンの差で請求額が跳ね上がります。

加えて、キャッシュ（一度読んだ内容の使い回し）の料金も4.5の0.3ドルから0.5ドルに値上げされました。

50万トークンまで入るからと資料を丸ごと投げ込む使い方は、コスト面では逆効果になりかねません。必要な部分だけを渡す設計が求められます。

競合3モデルとの比較

主要モデルを並べて整理します。

Claude Opus 5（max）: 総合63点で首位。精度は最上位だが5ドル／25ドルと高価で、手数も多い。品質を最優先する場面向け
Claude Fable 5: 総合62点。APEX-AgentsやTerminal-Bench v3.0など一部のエージェント系で4.6を上回る
GPT-5.6 Sol Max: 総合61点で同率3位。DeepSWEやTerminal-Benchなどコード寄りの課題に強いが、出力30ドルと最も高い
Grok 4.6: 総合61点。10項目中6項目でGPT-5.6 Sol Max以上。単価と手数の両面で圧倒的に安い

整理すると、精度の頂点を取りに行くならClaude勢、コード生成の確実さならGPT-5.6 Sol、大量に回して費用対効果を出すならGrok 4.6という住み分けになります。

実務では、下書きや一次調査をGrok 4.6に任せ、最終確認だけ上位モデルに回す組み合わせも現実的です。