Grok 4.6 marca 61 pontos e custa menos que rivais

Se você usa um modelo de fronteira em produção, o número que muda a conta é este: o Grok 4.6 cobra US$ 6 por milhão de tokens de saída no OpenRouter e alcança 60,9 pontos no índice de inteligência do Artificial Analysis. Na mesma lista, o GPT-5.6 Sol marca 60,9 pontos e custa US$ 11,25 por milhão.

Isso coloca o Grok 4.6 como uma alternativa mais barata entre os modelos de desempenho elevado. Mas a comparação não autoriza dizer que ele é o modelo mais inteligente do mercado. O Claude Opus 5 aparece à frente, com 63,1 pontos e preço de US$ 10 por milhão.

O que mudou na prática

O Grok 4.6 está listado no OpenRouter com entrada a US$ 2 por milhão de tokens, saída a US$ 6 e cache a US$ 0,50. A janela de contexto é de 500 mil tokens. O modelo foi lançado em 12 de agosto de 2026, segundo a ficha do OpenRouter.

A combinação é relevante para aplicações que geram respostas longas, código ou etapas de raciocínio. O custo de saída é 60% menor que o do Claude Opus 5 e cerca de 46,7% menor que o do GPT-5.6 Sol, tomando como referência os preços publicados no OpenRouter.

A conta, porém, não é automaticamente o custo por tarefa. Seu gasto final também depende do volume de entrada, do tamanho das respostas, do uso de cache e da quantidade de chamadas. O dado comprovado é o preço por token, não uma economia universal em cada fluxo.

Desempenho: forte em código, menos convincente em agentes

No Artificial Analysis, o Grok 4.6 registra 76,789 pontos em coding e 58,676 em desempenho agêntico. A leitura é direta: ele parece especialmente interessante para ferramentas de programação, revisão de código e geração de implementações em que o custo de saída pesa bastante.

Já em fluxos agênticos, a vantagem de preço não vem acompanhada de liderança clara. O índice agêntico fica abaixo da pontuação geral de inteligência do modelo. Isso não prova que o Grok falhará em uma aplicação com múltiplas ferramentas, mas indica que esse tipo de uso precisa de teste próprio antes da migração.

O Artificial Analysis também registra 30,483 no índice de omnisciência. Como esse indicador não aparece para os concorrentes citados na lista de fichas, não há base para transformar o número em uma classificação comparável.

Onde a diferença de preço aparece

A comparação mais dura para os concorrentes está na saída. O Claude Opus 4.6 custa US$ 25 por milhão de tokens de saída no OpenRouter, enquanto o Claude Sonnet 4.6 custa US$ 15. Ambos têm janela de contexto de 1 milhão de tokens, o dobro da capacidade listada para o Grok 4.6.

O Grok também não é o campeão de custo-benefício em termos absolutos. Na lista do Artificial Analysis, o GPT-5.6 Luna (max) aparece com 52,3 pontos e preço de US$ 0,45 por milhão. O DeepSeek V4 Flash 0731, em configuração de raciocínio com esforço máximo, marca 51,8 pontos por US$ 0,66.

Esses modelos entregam pontuações inferiores, mas podem ser escolhas mais econômicas para tarefas rotineiras. A decisão depende do quanto você precisa se aproximar do topo de inteligência — e de quanto aceita pagar para isso.

Para quem vale — e para quem não muda nada

O Grok 4.6 faz sentido para quem precisa de desempenho elevado em código sem pagar o preço de saída dos modelos mais caros. Também é uma opção para equipes que querem testar um modelo de fronteira com entrada de US$ 2 por milhão e saída de US$ 6, especialmente em produtos que geram respostas extensas.

Para aplicações com contexto acima de 500 mil tokens, a ficha do modelo não oferece vantagem sobre Claude Opus 4.6 e Claude Sonnet 4.6, ambos listados com 1 milhão. Se sua operação já usa um modelo barato como o GPT-5.6 Luna ou o DeepSeek V4 Flash 0731 e não precisa de pontuação próxima de 61, o Grok 4.6 pode não reduzir a fatura.

Os vídeos de Vini — AI Coders Academy (link) e Inteligência Mil Grau (link) deram origem à pauta. O ponto verificável é menos amplo que a promessa de “melhor Grok”: o modelo aparece com 60,9 pontos, preço intermediário e vantagem específica no custo de saída.

Na prática, coloque o Grok 4.6 em um teste A/B com seu tráfego real, medindo tokens de entrada, tokens de saída, taxa de conclusão e chamadas de ferramenta antes de trocar o modelo principal.