Grok 4.6 跑分追平了，长任务还是不能放心交

61 分。

Grok 4.6 在 Artificial Analysis Intelligence Index 上拿到 61 分，追平 GPT-5.6 Sol，只比 Fable 5 Max 少 1 分。这个数字很适合做海报，四根柱子往那儿一摆，橙色那根已经挤进第一排。

好家伙，又一位前沿选手坐上桌了。

但我顺着官方表格往下看，味道马上变得复杂。Grok 4.6 在 GDPVal-AA v2 和 Harvey LAB 上拿到了表中最高分，CursorBench v3.2 也很强，可到了更贴近终端操作的 Terminal-Bench v3.0，它是 26%，GPT-5.6 Sol 是 34.6%，Fable 5 Max 是 34.1%。DeepSWE v1.1 里，Grok 4.6 的 65.9% 也落后于 GPT-5.6 Sol 的 73%。

同一张总榜下面，Grok 4.6 在不同任务上的位置并不相同，数据来自 xAI 官方评测。

这不是在挑一张对自己不利的表格唱衰新模型。模型当然进步了，从 Grok 4.5 的综合 56 分涨到 61 分，几项智能体评测都有明显提升。真正值得聊的是另一件事。

综合分追平，不等于长任务已经可以放心托管。

模型回答一道题，和 Agent 在一个真实环境里连续工作几个小时，是两种完全不同的工程问题。前者看聪明程度，后者还要看状态会不会漂、预算会不会炸、环境会不会被改坏、失败之后能不能从断点接着来，以及最后交上来的东西有没有证据证明它真的完成了。

跑分描述模型。

交付描述系统。

这次真正有意思的，是模型和脚手架一起训练

Cursor 的发布页 开头写得很直接，他们与 SpaceXAI 共同发布 Grok 4.6。xAI 也把长时间运行的智能体、跨代码库工作、研究和复杂视觉项目放在发布页最靠前的位置。

如果只是又发一个更大的聊天模型，这段话没什么稀奇。可训练细节里藏着一个很关键的信号。

xAI 先做了比 Grok 4.5 更长的补充训练，再用 Grok 4.5 重新生成 SFT 轨迹。SFT 是监督微调，你可以把它理解成给模型看大量高质量示范，让它学会任务应该怎么走。这里的示范不是单一问答，而是覆盖不同推理强度、不同 Agent Harness 和不同领域的完整轨迹。

Agent Harness，就是让模型真正干活的那层脚手架。工具怎么调用，上下文怎么塞，失败怎么重试，任务怎么分步，结果怎么交回去，都在这一层。

接下来，Grok 4.6 又在知识工作、通用编码、内核优化、Web 开发、计算机辅助设计等环境里做智能体强化学习。官方还特别提到，长轨迹里开始出现更多自测和验证行为，模型会先检查自己的工作，再继续往下走。

这一手有点子牛逼。

以前我们常把模型和运行框架想成两件东西。模型厂商负责把大脑练聪明，Cursor、Claude Code、Codex 这类产品负责给它接手脚。现在边界正在往里缩。训练数据里已经有不同的 Agent Harness，模型学到的不只是怎么回答，还在学怎么身处一套工具、状态和反馈规则里持续行动。

也难怪这次会和 Cursor 一起发。模型能力不再只从参数里长出来，它也从自己将在什么运行环境里工作这件事里长出来。

不过，别急着把终端权限全开。

发布页告诉了我们模型更会持续工作，却没有给出另一组对生产环境更要命的数据。不同任务长度下的成功率怎么衰减，跑到第几个小时最容易偏航，需要人工接管多少次，同一个任务重跑五次的方差有多大，自测到底能抓住多少自身错误。这些不是发布稿必须回答的问题，但它们恰好是团队准备接入长任务 Agent 时必须补的验收题。

长时间运行，最怕的不是笨，是悄悄跑偏

短任务失败往往很诚实。命令报错，测试红了，API 返回 401，大家一眼就知道没成。

长任务的失败更像慢性漂移。Agent 前二十步都做对了，第二十一步误解了一条约束，后面五十步仍然执行得特别勤快。日志看起来热火朝天，token 也烧得很有事业心，最后交回来一个结构完整、方向错误的产物。

厉害了，错误还有自己的项目管理能力。

做代码任务时，这种漂移很常见。最初要求只是修一个解析器，Agent 顺手升级依赖，再顺手改配置，测试为了适配新行为也被一起改掉。最终 pytest -q 全绿，并不能自动证明需求完成了，有时只能证明它成功改写了考卷。

视觉项目也一样。Grok 4.6 官方强调它能从宽泛想法出发，一次搭起应用结构和视觉语言，这很适合快速拿到第一版。但一个页面能打开，和它满足无障碍、移动端、真实数据、异常状态、加载性能，是几层不同的验收。截图漂亮只是证据之一，不是全部证据。

自测同样不能被神化。一个模型写代码，再由同一个模型决定自己写得好不好，多少有点让同一个人出题、答题、判卷。它当然比完全不检查强，可如果验收标准本身就含糊，自测只会更自信地执行含糊。

坦率讲，长任务 Agent 最需要的不是一句「请仔细检查」，而是一份模型无法靠嘴糊弄过去的交付合同。

下面是一份可以直接改的最小版本。

goal: 修复 CSV 解析器在空字段上的崩溃
allowed_paths:
  - src/parser/
  - tests/parser/
acceptance:
  - pytest -q tests/parser
  - 旧测试数量不得减少
  - 新增空字段与连续分隔符用例
budget:
  max_minutes: 45
  max_cost_usd: 8
checkpoint:
  every_steps: 12
rollback:
  keep_git_worktree: true
evidence:
  - git diff --stat
  - 完整测试输出
  - 最终 commit hash

这里最重要的不是 YAML 写得多漂亮，而是把五件事钉死。任务目标是什么，允许改哪里，用什么命令验收，最多烧多少时间和钱，失败后从哪里恢复。再加一份不可省略的证据清单，Agent 才不能只用一段流畅总结宣布胜利。

很多朋友可能会觉得，这不就是把项目管理写进 prompt 吗。

还真不完全是。

Prompt 只是模型看到的文字，合同还要由外部程序执行。allowed_paths 需要在提交前检查真实 diff，预算需要看门狗硬停，checkpoint 需要真的落到独立 worktree 或 commit，验收命令要由模型之外的进程运行。模型说自己执行过，不算。日志里出现退出码、测试数量和产物路径，才算。

这也是 Cursor 介绍云端智能体环境 时反复强调隔离环境的原因。长任务不是把一次对话拉长，而是给模型一个可恢复、可限制、可审计的运行空间。

价格便宜，不代表长任务便宜

Grok 4.6 的 API 起价是每百万输入 token 2 美元、每百万输出 token 6 美元，快速版本价格翻倍。放在前沿模型里，这个价很有竞争力。

快速版把输入与输出单价同时翻倍，数据来自 xAI 官方发布页。

可长任务的账不能只看单价。

假设一条任务轨迹累计消耗 1000 万输入 token 和 100 万输出 token，不算工具、搜索与环境成本，基础版本就是 26 美元，快速版本是 52 美元。这只是一个明确标注的假设，不代表每次任务都会烧这么多。它想说明的是，Agent 一旦在错误方向上多跑几十步，低单价也能被长轨迹迅速吃掉。

所以预算上限不是财务同事来扫兴，它是任务逻辑的一部分。达到 50% 预算时做一次中期验收，发现连续两次测试没有新增通过项就停，三次重复读取同一批文件就触发反思，修改范围越过白名单就立即回滚。规则越确定，越应该交给外部看门狗，不要指望模型每次都自觉。

OpenAI 的 Evals 指南 一直强调用可重复的评测去比较系统行为，Anthropic 的智能体工程文章 也把环境反馈、检查点和停止条件放在重要位置。不同厂商的模型会轮流坐榜首，但这些工程动作不会因为换了模型就失效。

我自己的感受是，Grok 4.6 最值得高兴的地方，不是 61 分本身，而是模型厂商开始正面训练「持续工作」这件事。以前 Agent 跑得久，多少像产品层拿 prompt 和重试硬拽出来的能力。现在，长轨迹、运行框架、自测和专门环境已经进入训练配方，模型和脚手架终于在同一张图上了。

这一步很大。

但「会持续工作」到「能可靠交付」之间，仍然隔着一整套工程。检查点、预算、权限、回滚、外部验收、证据留存，一个都不会因为总榜多了 5 分自动消失。

模型是船的发动机，Grok 4.6 把马力又往上拧了一截。真正决定它能不能夜航的，还是海图、舱壁、仪表和那根出了问题就能把电切掉的开关。

回到开头那 61 分。

它证明 Grok 4.6 已经坐上前沿模型的牌桌。至于长任务能不能放心交，答案不在下一张跑分图里，在你有没有先把那份交付合同写好。