Grok 4.6が、
エージェント耐久力で上位勢に並んだ。
2026年8月12日、xAIが Grok 4.6 を公開した。コンテキスト拡張や値下げのような周辺調整ではなく、長時間タスクを最後までやり切る「エージェント耐久力」そのものを底上げする改良だ。先月まで GPT・Claude が明確にリードしていた領域に、Grok が本気で追いついてきた。
「見失わずにやり切る力」が
最大の争点になった
先月まで、複数ステップにわたる長時間タスク——あるテーマを何往復もリサーチする、アプリを複数回のイテレーションでビルドし切る、といった作業——を最後まで見失わずにやり通す「エージェント耐久力」では、GPT と Claude が明確に優位だった。Grok はコンテキスト長や価格では張り合えても、この持久力の勝負では一歩後ろに控える立場だった。
その構図が、Grok 4.6 の登場で崩れ始めた。VentureBeat の報道によれば、xAI は Grok 4.5 からの改良点として、単発の応答品質ではなく DeepSWE・CursorBench・Terminal-Bench・APEX・AA-Briefcase という5種のベンチマークスイートを前面に押し出した。いずれも「1問1答」ではなく、長時間・多段階のエージェント作業をどれだけ見失わずにやり切れるかを測る構成で、フロンティアの論点そのものが「賢さ」から「持久力」へ移っていることを物語る。
APEX-Agents スコア、
47.1%→57.5%
評価スイートの中でも、生産環境にエージェントを載せるかどうかを左右する数字はこれひとつだ。
APEX-Agents のスコアは Grok 4.5 の47.1%から Grok 4.6 で57.5%へと、10ポイント以上跳ね上がった。kingy.ai の解説では、あわせてコンテキスト窓が50万トークンに拡張され、価格は入力100万トークンあたり2ドル、キャッシュ入力は0.5ドル、出力は6ドル（いずれもプロンプト20万トークン未満の場合）と設定されたことが紹介されている。長時間タスクほどキャッシュ入力の恩恵が効いてくる価格設計だ。
5つのベンチマークが問うのは
「見失わないか」
個別の正解率ではなく、複数手順を貫く一貫性を測る構成に変わった。
DEV Community の解説記事は、この5種のベンチマークに共通するのは「エージェントビルダーが実際に賭ける先」——単発の受け答えではなく複数手順にまたがる自律実行の信頼性だと指摘する。名前を並べるだけでも、フロンティアの評価軸が「知識量」から「完遂力」へ移っていることがうかがえる。
DeepSWE
実際のソフトウェア開発タスクをこなし切る力を見るとされるベンチマーク。
CursorBench
コーディングエージェントとしての一貫性・継続力を測るとされる評価軸。
Terminal-Bench
ターミナル操作を伴う複数手順の作業を最後まで完遂できるかを見る。
APEX
長時間タスクをどこまで見失わずに完遂できるかを測る中核指標。Grok 4.6 は47.1%から57.5%へ上昇。
AA-Briefcase
Artificial Analysis が用意する複合実務タスクで総合力を評価するベンチマーク。
誰に、どう効くか
同じ発表でも、職種によって見るべき数字は違う。
エンジニア
コーディングエージェントを組んでいるなら、Grok 4.6 は発表当日から xAI API・Grok Build・Cursor・OpenRouter・Vercel・Cloudflare で利用できる。Grok 4.5 前提のプロンプトやツール呼び出しは、APEX-Agents の伸びを踏まえて長時間タスク向けに再チューニングする価値がある。
経営・事業
BusinessToday の報道が伝えるとおり、xAI は Grok 4.6 が Artificial Analysis Intelligence Index（9種のベンチマークを束ねた複合指標）で GPT-5.6 Sol と同水準、Claude Fable 5 ともほぼ並び、Kimi K3 を上回ると主張している。事実なら、GPT・Claude 一本で組んでいたエージェント基盤に価格の選択肢が増える。
プロダクト / PM
評価スイート（DeepSWE・CursorBench・Terminal-Bench・APEX・AA-Briefcase）は、自社エージェント機能の受け入れ基準を作る際のたたき台になる。特に APEX のような「完遂率」指標は、ユーザー向けエージェント機能の KPI 設計にそのまま転用しやすい。
Grok 4.5 から Grok 4.6 で
何が変わったか
数字だけを並べると、争点が「賢さ」から「持久力」へ移った様子がよくわかる。
| Grok 4.5（〜7月） | Grok 4.6（8/12〜） |
|---|---|
| APEX-Agents スコア 47.1% | 57.5% |
| GPT・Claude に明確な差 | GPT-5.6 Sol と同水準、Claude Fable 5 に並ぶと主張 |
| Kimi K3 に対する優位性は不透明 | Kimi K3 を上回ると主張 |
| コンテキスト窓・価格の話題が中心 | エージェント耐久力そのものの改良が中心 |
次の一手、そして留意点
実務での次の一手は明快だ。第一に、エージェント基盤を選定中のチームは、Grok 4.6 が発表当日から使えるようになった Cursor・OpenRouter・Vercel・Cloudflare などの経路で、自社のエージェントタスクを実際に走らせて比較するのが早い。第二に、長時間タスクを回すほどキャッシュ入力価格（100万トークン0.5ドル）の効果が効いてくるため、プロンプト設計をキャッシュ前提に見直す価値がある。第三に、DeepSWE や Terminal-Bench のような「見失わないか」を測る評価軸を、自社の内部ベンチマークにも取り入れておきたい。
ただし、額面通り受け取るには注意もいる。「GPT-5.6 Sol と同水準」「Claude Fable 5 と並ぶ」という主張は、いずれも xAI 自身が Artificial Analysis のベンチマークスイート上で語っている数字であり、第三者による独立検証はこれからだ。ベンチマークはあくまでベンダーが選んだタスク集合であり、実際の業務での安定性・再現性まで保証するものではない。APEX-Agents が10ポイント伸びたことは事実でも、それが「上位勢と完全に肩を並べた」ことを意味するかは、もう少し使い込んでから判断したい。
賢さの勝負は、もう速く答えることではなく、
長いタスクを最後まで見失わないことに移っている。