Avis Grok 4.6 : ce que dit le tableau d'évaluation quand on lit les lignes perdantes

Choisissez votre cas d'usage, puis lisez le verdict

La chose la plus utile que je puisse vous offrir n'est pas un tableau de benchmarks de plus. C'est la réponse à « est-ce que ça s'applique à moi ? ». Le verdict sur Grok 4.6 change complètement selon ce que vous construisez.

Ce qui a vraiment changé depuis Grok 4.5

xAI a lancé Grok 4.6 le 12 août 2026, environ cinq semaines après Grok 4.5. Cinq semaines, c'est une cadence rapide, et on le voit dans ce qui a bougé et ce qui n'a pas bougé.

L'histoire de l'entraînement est étonnamment franche. xAI dit avoir fait tourner une phase d'entraînement supplémentaire plus longue que pour 4.5, puis avoir utilisé Grok 4.5 lui-même pour régénérer les trajectoires SFT à travers les niveaux de raisonnement et les environnements d'agents, en filtrant les mauvaises traces avec des vérifications basées sur le modèle. Autrement dit, le modèle précédent a formé celui-ci, et l'étape de RL a ciblé des tâches agentiques : optimisation de noyau, développement web, conception assistée par ordinateur.

La fiche technique a à peine bougé. Selon la page du modèle grok-4.6, le contexte reste à 500 000 tokens, le modèle accepte texte et image en entrée, produit du texte, avec appels de fonctions, sorties structurées et raisonnement. Les limites de débit sont de 150 requêtes par seconde et 50M de tokens par minute, sur us-east-1 et us-west-2.

Ce qui a bougé, ce sont les scores. Artificial Analysis le situe à 61 sur l'Intelligence Index, soit 5 points de plus que Grok 4.5 et 23 de plus que Grok 4.3. Cinq points en cinq semaines, c'est un vrai saut générationnel, pas juste un changement de numéro de version.

Bien lire le tableau d'évaluation

Voici ci-dessous le propre tableau de xAI. Je le trouve plus révélateur que le billet de blog qui l'entoure. Le gras indique le vainqueur par ligne.

Quatre choses sautent aux yeux.

Grok 4.6 gagne les lignes de travail de connaissance et perd celles d'ingénierie logicielle. Il remporte sans conteste GDPVal-AA, AA-Briefcase et Harvey LAB. Il perd sur DeepSWE de 7,1 points et sur Terminal-Bench de 8,6 points. Pour un billet de lancement intitulé autour du codage agentique, c'est une forme curieuse.

Le chiffre Harvey est la cellule la plus étrange du tableau. Grok 4.6 obtient 15,8% sur ce benchmark d'analyse juridique contre 2,5% pour GPT-5.6 Sol. Un écart de 6x sur une seule évaluation signifie généralement que l'évaluation mesure quelque chose de très étroit, ou qu'un modèle a été ajusté pour ce type de tâche précis. Je ne construirais pas un produit juridique sur une seule ligne, mais ça vaut la peine de le savoir.

Terminal-Bench a deux numéros de version actifs qui se contredisent complètement. La fiche de xAI rapporte 26% en v3.0. Artificial Analysis rapporte 88,4% en v2.1 et qualifie cela d'aligné sur les modèles de tête. Les deux sont vrais. La v3.0 est la révision la plus difficile. Si vous voyez un chiffre Terminal-Bench cité sans version, il ne vous dit rien.

Les écarts entre 4.5 et 4.6 sont les plus grands précisément là où vivent les agents. DeepSWE est passé de 54% à 65,9%. APEX-Agents de 47,1% à 57,5%. AA-Briefcase de 1313 à 1577. Quoi que l'étape de RL agentique ait fait, elle a fonctionné sur les tâches qui s'exécutent sur de nombreuses étapes.

Une ligne de tableau supplémentaire qui n'est pas dans le graphique de xAI. Artificial Analysis mesure 𝜏³-Banking, une évaluation de service client multi-tours avec usage d'outils, et Grok 4.6 obtient 50,7%. Cela le place dans le top deux, aux côtés de Qwen3.8 Max à 51,3%. J'y reviendrai, car être dans le top deux finit par signifier moins que ce que cela laisse entendre.

Vitesse et coût, mesurés plutôt qu'affirmés

C'est là que Grok 4.6 fait son argument le plus fort, et ce n'est en réalité pas un argument de benchmark.

Le tarif affiché est inchangé par rapport à Grok 4.5 : $2,00 par million en entrée, $0,50 en cache, $6,00 en sortie, selon la page de tarifs de xAI. Au-delà de 200k tokens de prompt, chaque tarif double à $4,00 / $1,00 / $12,00. Maintenir le prix stable au fil d'une génération est inhabituel en pointe, et Artificial Analysis le dit explicitement.

La comparaison qui compte est celle avec les modèles à deux points de l'index. Claude Opus 5 est à $5/$25. GPT-5.6 Sol est à $5/$30. Grok 4.6 égale Sol à un cinquième du tarif de sortie, et le tarif de sortie domine le coût sur le travail lourd en raisonnement.

Mesuré plutôt qu'affiché, sur la page Grok 4.6 d'OpenRouter, le tableau se confirme :

Deux d'entre eux méritent un second regard. Le prix effectif d'entrée est de $0,72, pas $2, car le trafic réel touche le cache 90% du temps. Et le taux d'erreur de sortie structurée de 4,00% sur l'endpoint standard contre 0,00% sur l'endpoint ZDR est une vraie différence opérationnelle, pas un artefact d'arrondi. Si vous fixez des schémas JSON pour des appels d'outils, testez les deux.

Artificial Analysis a chiffré la facture de l'ensemble de l'index à $1 068,47 pour évaluer Grok 4.6, soit $0,84 par tâche, comme Kimi K3 à intelligence légèrement inférieure. Il a généré 72M de tokens en le faisant, contre une médiane de 71M, donc il est un peu plus verbeux mais pas excessivement.

La seule ligne qui a joué contre les acheteurs est l'entrée en cache, et la communauté l'a repérée en quelques heures :

"Seems the cache read pricing almost doubled from $0.30 in Grok 4.5 to $0.50 in Grok 4.6. In my experience in heavy coding sessions most pricing is just cache read and cache write like 80% of my token bill."

pzo, Hacker News

C'est une remarque juste et le calcul est correct. C'est une hausse de 67% sur le poste qui domine les longues sessions d'agents. C'est aussi toujours un cache read à $0,50 sur un modèle qui égale GPT-5.6 Sol, donc je qualifierais ça de vraie régression au sein d'un accord qui reste excellent. Notre guide sur les tarifs de xAI a l'échelle complète.

Ce que disent ceux qui le testent réellement

Les benchmarks sont une donnée d'entrée. Voici à quoi ressemblait le premier jour d'utilisation réelle. J'ai choisi des retours chiffrés plutôt que des impressions.

Le point de données le plus utile que j'ai trouvé est un test comparatif direct sur la même fonctionnalité, sur la même base de code :

"Tested both DS v4 pro 0813 and Grok 4.6 (all from openrouter) on Codex cli. Worked on a same new feature development on my project. Deepseek 4 pro: Worked for 12m 02s, cost $0.12, has bug. Grok 4.6: Worked for 3m 18s, cost $1.41, no bug."

jklmnopqrstuvw, Hacker News

C'est 3,6x plus rapide et 11,75x plus cher, avec un résultat fonctionnel contre un résultat cassé. C'est un essai unique d'une seule personne, donc à traiter comme un signal plutôt qu'un résultat établi, mais cela capture le vrai compromis face à un modèle bon marché à poids ouverts comme DeepSeek V4 Flash mieux que n'importe quel score d'index.

Le thème de la vitesse s'est répété :

"I used to be a Claude user. Since trying Grok 4.5 and especially Grok 4.6, I don't want to go back to Claude any more (I have early access to 4.6). Grok is 3x+ faster than Claude and I can't tell the diff in engineering work quality. As an engineer, speed is important to me."

visopsys, Hacker News

Et un ingénieur a décrit précisément le changement de flux de travail, le genre de détail qui me fait faire confiance à un retour :

"My go-to workflow was Sol for planning and Grok for building. But my in my first tests with Grok 4.6, I found it quite good and I'll start using it for both; assuming it's as good at is shows at benchmarks it's unbeatable at cost/time."

cjalmeida, Hacker News

Le scepticisme s'est aussi manifesté, portant surtout sur la question de savoir si l'index mesure la bonne chose :

"I haven't tried so it's pure speculation based on benchmarks, but I'd assume Grok 4.6 is around Opus 4.8 in real world use, but clearly below Opus 5."

redox99, Hacker News

C'est un a priori raisonnable. La parité d'index et la parité en usage réel sont des affirmations différentes, et la réponse honnête un jour après le lancement est que personne n'a encore assez d'heures d'utilisation. Ce que je peux dire, c'est que l'argument du prix par unité d'intelligence ne dépend pas de trancher ce débat.

La ligne que le billet de lancement a omise

Le tableau d'évaluation de xAI compte dix lignes et aucune ne concerne le fait de se tromper. Artificial Analysis mesure justement cela, et ce sont les chiffres que je placerais en haut de la page si j'écrivais le billet de lancement.

Précision AA-Omniscience : 48,2%. Taux de non-hallucination : 65,7%.

Lisez le second avec attention, car il est facile de mal le comprendre comme « hallucine 34% du temps ». C'est le taux d'évitement d'une hallucination parmi les réponses qui n'étaient pas correctes. Donc quand Grok 4.6 ne sait pas quelque chose, il le dit environ deux fois sur trois, et invente une réponse l'autre fois. Le benchmark existe précisément parce que refuser de répondre ne devrait pas être pénalisé de la même manière qu'être dans l'erreur avec assurance.

Pour un agent de code, une mauvaise réponse est repérée par un test. Pour un agent en contact avec les clients, une mauvaise réponse est envoyée.

Je construis des agents IA chez eesel, et j'ai observé exactement ce mode de défaillance en production plus d'une fois. Un cas auquel je pense souvent : une équipe européenne de télématique automobile utilisant Zendesk, traitant environ 200 tickets par mois et grandissant vers 2 000, a découvert que son agent confirmait joyeusement la prise en charge de marques de voitures absentes de sa base de données. L'IA n'avait pas mal fonctionné. Leur centre d'aide disait « nous prenons en charge tous les modèles », et le modèle l'a cru. Leur ingénieur a résumé les premières semaines comme des essais-erreurs, ce qui est à peu près la description la plus honnête d'un déploiement de modèle brut que j'aie entendue.

C'est un taux de non-hallucination de 65,7% rencontrant une base de connaissances écrite pour des humains. Rien dans l'entraînement de Grok 4.6 ne règle ça. Ce qui le règle, c'est de limiter ce dont le modèle peut s'inspirer, et de contrôler ce qu'il a le droit d'envoyer.

Alors, faut-il mettre Grok 4.6 derrière une file de support ?

Bonne question. La réponse honnête a deux volets, et ils vont dans des directions différentes.

En tant que moteur, c'est un choix légitimement bon. 50,7% sur 𝜏³-Banking, c'est le top deux parmi tout ce qu'Artificial Analysis a testé, et 𝜏³-Banking est le benchmark public le plus proche de ce que fait réellement un agent de support : multi-tours, utilisant des outils, en contact avec les clients. Un taux d'erreur des appels d'outils de 0,08% et 94 tok/s signifient qu'il ne calera pas en pleine conversation. À $2/$6, l'économie unitaire de l'automatisation des tickets de support semble correcte.

En tant que produit, ce n'en est pas un. Être dans le top deux du service client signifie qu'il résout environ la moitié de ces conversations. L'autre moitié, c'est là où réside le vrai travail : savoir quand s'arrêter, quand transférer à un humain, quelle macro déclencher, quelle recherche de commande lancer, et ce qu'il ne faut jamais promettre. Rien de tout cela n'est une capacité du modèle. C'est de la conception d'escalade, du périmètre de récupération, et un seuil de score de confiance que vous avez calibré sur votre propre historique.

Je dis cela en tant que personne dont l'équipe perd des contrats exactement à cause de ce raisonnement. Plusieurs clients d'eesel sont partis pour construire directement sur une API de modèle de pointe, et c'est l'alternative concurrente la plus courante que nous observons chez les équipes techniques. Parfois ça marche. Ce qui les fait généralement revenir, ce n'est pas la qualité du modèle, c'est le deuxième mois : personne ne veut posséder les règles de triage des tickets, la dérive de la voix de marque, les permissions de la base de connaissances, et une rotation d'astreinte pour un chatbot.

Si vous choisissez un modèle cette semaine, Grok 4.6 a sa place sur la liste courte aux côtés de Claude Opus 5 et GPT-5.6. Si vous décidez comment répondre aux clients, le modèle est la décision la moins intéressante que vous prendrez.

Envie d'un modèle de pointe sur votre helpdesk sans le deuxième mois ?

C'est la partie qu'une API brute ne peut pas vous offrir. Avant qu'eesel ne réponde à un seul ticket en direct, il rejoue votre agent sur vos propres tickets historiques et vous montre ce qu'il aurait dit, sur vos données, avec votre base de connaissances et ses lacunes incluses. Ainsi, la question des 65,7% cesse d'être un benchmark et devient un chiffre que vous avez réellement mesuré, sur votre file, avant qu'un client ne le voie jamais. Connectez un helpdesk, observez la simulation, puis décidez. Essayez eesel, gratuitement.

Verdict

Achetez-le si vous faites tourner de longues sessions agentiques de travail de connaissance, de recherche, d'analyse ou de tâches lourdes en documents, et que le coût compte. Les meilleurs scores du tableau sur GDPVal-AA et AA-Briefcase à $2/$6, en terminant les tâches en deux fois moins de tours que Claude Opus 5, forment une combinaison difficile à contester. Achetez-le aussi si la vitesse brute change votre façon de travailler. Plusieurs ingénieurs ont rapporté indépendamment 3x, et l'un a mesuré 3m 18s contre 12m 02s sur la même tâche.

Passez votre chemin si votre charge de travail est l'ingénierie logicielle autonome ou des opérations lourdes en terminal. DeepSWE à 65,9% contre 73% pour Sol, et Terminal-Bench v3.0 à 26% contre 34,6%, ne sont pas des décisions serrées, et ce sont les propres chiffres publiés par xAI.

Soyez prudent si cela va être placé devant des clients. C'est l'un des deux meilleurs modèles sur le benchmark de service client, et il échoue quand même sur la moitié de ces conversations, avec un taux de non-hallucination de 65,7% en dessous. Ce n'est pas un problème propre à Grok, chaque modèle de pointe a sa propre version de cette ligne. C'est une raison pour laquelle la couche helpdesk compte plus que le choix du modèle.

Mon avis global : le meilleur rapport prix-intelligence en pointe à la date d'août 2026, mal étiqueté comme une sortie de codage alors que sa vraie force est le travail de connaissance. Cinq points de gain d'index en cinq semaines à prix stable, voilà l'histoire, et la hausse du taux de cache en est l'astérisque.

Si vous voulez l'ensemble de comparaison le plus complet, commencez par les alternatives à Grok 4.5 et lisez ensuite l'avis sur Claude Opus 5.

Pour les mathématiques des tokens à elles seules, l'échelle des tarifs de xAI va plus loin que cet avis.