Grok 4.6: Selbstprüfung im Lauf ersetzt die Abnahme nicht

SpaceXAI hat am 12. August Grok 4.6 vorgestellt. Der erklärte Schwerpunkt sind lange Agentenläufe: Das Modell soll bei komplexen Aufgaben über viele Schritte bleiben, beim Recherchieren, beim Analysieren, beim Arbeiten quer durch eine Codebasis, beim Ausbauen einer Idee zu einer fertigen Anwendung. Ein Satz in der Ankündigung ist dabei interessanter als jede Benchmark-Zeile: Auf längeren Verläufen habe man begonnen, mehr Selbsttests und Selbstprüfung zu sehen, das Modell kontrolliere seine eigene Arbeit, bevor es weitergehe. Das ist eine gute Nachricht für die Qualität der Zwischenschritte. Eine Abnahme ist es nicht.

Was ist Grok 4.6?

Grok 4.6 baut nach Angaben von SpaceXAI auf Grok 4.5 auf, mit Fokus auf lange Agentenläufe und auf anspruchsvollere interaktive und visuelle Arbeit. Verfügbar ist das Modell ab sofort in Cursor und in Grok Build, dazu über die API und über Partner wie OpenRouter, Vercel und Cloudflare. In Grok Build und Cursor gibt es in der ersten Woche die doppelte inkludierte Nutzung.

Zum Training nennt die Ankündigung einen längeren ergänzenden Lauf als bei Grok 4.5, mit kuratierten, modellgenerierten Daten für Schlussfolgern und fortgeschrittene technische Konzepte, hochwertigen Engineering-Daten sowie einem verbesserten Optimierer. Die SFT-Trajektorien wurden mit Grok 4.5 neu erzeugt und über modellbasierte Prüfungen von problematischen Spuren bereinigt. Das anschließende agentische Reinforcement Learning deckt Wissensarbeit, allgemeines Programmieren und spezielle Umgebungen ab, etwa Kernel-Optimierung, Webentwicklung und rechnergestützte Konstruktion.

Was heißt „mehr Selbstprüfung“ genau?

Es heißt: Das Modell testet zwischendurch häufiger, was es gerade gebaut hat. SpaceXAI formuliert das vorsichtig, als Beobachtung aus eigenen Testprojekten, nicht als garantierte Eigenschaft. Genau so sollten Sie es auch lesen.

Der strukturelle Punkt bleibt davon unberührt. Prüfung und Erzeugung stammen hier aus demselben System. Ein Modell, das seine eigene Arbeit kontrolliert, findet zuverlässig die Fehler, die es als Fehler erkennt. Ein falsches Verständnis der Anforderung überlebt jeden Selbsttest, weil der Test aus demselben falschen Verständnis geschrieben wurde. Was hier besser wird, ist die Trefferquote gegen offensichtliche Defekte. Was nicht besser wird, ist die Frage, ob das Ergebnis das Richtige war.

Es gibt sogar einen Nebeneffekt, den Sie einplanen sollten. Ein Lauf, der sich unterwegs selbst geprüft hat, kommt geprüft bei Ihnen an. Er sieht fertiger aus. Der Rest an Fehlern, der übrig bleibt, ist damit im Schnitt subtiler als vorher, und subtilere Fehler brauchen mehr Review, nicht weniger.

Was sagt der Benchmark-Satz, was nicht?

Im Fließtext steht genau eine Vergleichsaussage: Grok 4.6 liegt auf dem Artificial Analysis Intelligence Index gleichauf mit GPT-5.6 Sol, einem zusammengesetzten Wert aus neun Benchmarks. Ein Gesamtindex ist ein Mittelwert, und Mittelwerte verstecken die Streuung.

Die Eval-Tabelle im Beitrag, nicht der Fließtext, zeigt diese Streuung. Auf DeepSWE v1.1 stehen dort 65,9 % für Grok 4.6 High gegenüber 73 % für GPT-5.6 Sol Max. Auf CursorBench v3.2 liegen die beiden mit 69,9 % zu 67,2 % andersherum. Für Ihre Entscheidung ist keine dieser Zeilen die Antwort, weil keine davon Ihr Repository enthält. Sie sagen nur, dass die Wahl vom Aufgabenprofil abhängt und nicht von einer Rangliste.

Was kostet ein Lauf?

Der Preis beginnt laut Ankündigung bei 2 US-Dollar pro Million Eingabe-Token und 6 US-Dollar pro Million Ausgabe-Token. Dazu gibt es eine schnelle Variante zum doppelten Preis. Mehr steht dort nicht, und das ist die eigentliche Lücke: Ein Preis pro Token ist keine Aussage über die Kosten einer erledigten Aufgabe. Wie viele Token ein Lauf verbraucht, nennt die Ankündigung nicht, und gerade bei einem Modell, das ausdrücklich für lange Verläufe und für zusätzliche Selbsttests gebaut ist, ist der Verbrauch die entscheidende Größe. Selbstprüfung ist nicht gratis, sie kostet Ausgabe-Token.

Wie Sie das für sich nachrechnen, habe ich bei Grok 4.5 und den Kosten pro erledigter Aufgabe beschrieben. Die Methode ändert sich nicht, nur die Modellversion in der Messreihe.

Was heißt das für Ihre Arbeit?

Behalten Sie eine Abnahmebedingung, die außerhalb des Laufs liegt. Ein Test, den Sie geschrieben haben, eine Prüfung in der CI, ein Review mit Blick auf die Anforderung. Was das Modell unterwegs selbst kontrolliert, ist Teil seiner Arbeit, nicht deren Bewertung.

Nutzen Sie die Stärke da, wo sie ausgewiesen ist. SpaceXAI nennt als Muster, aus einer breiten Produktidee eine erste lauffähige Version zu machen, mit Recherche in unbekannten Domänen, Struktur der Anwendung, Kernabläufen und anschließenden Runden aus Rückmeldung und Überarbeitung. Für erste Fassungen bei visuellen und interaktiven Projekten sieht SpaceXAI ausdrücklich einen Fortschritt gegenüber Grok 4.5. Das ist ein guter Einsatzort: früh, verwerfbar, schnell zu beurteilen. Ein Entwurf, den Sie in zwei Minuten ansehen und wegwerfen können, braucht keine strenge Abnahme. Ein Stück Code, das in Produktion geht, schon.

Die Linie bleibt dieselbe wie im Agentic Engineering: Verlässlichkeit entsteht in der Architektur um das Modell herum. Grok 4.6 verschiebt einen Teil der Prüfung in den Lauf hinein. Das macht den Lauf besser. Wer am Ende sagt, dass das Ergebnis gut genug ist, bleiben Sie.

Quellen

• SpaceXAI: Introducing Grok 4.6