Grok 4.6 zielt auf lange Agentenaufgaben: große Ziele aufnehmen, fremde Projekte verstehen, Code untersuchen, Architektur vorschlagen, ändern, selbst prüfen und iterativ weiterarbeiten. Cursor hebt Fortschritte bei langen Abläufen, Prototypen und visuellen interaktiven Projekten hervor.
Deshalb interessiert es mich vor allem als neuen Arbeitsagenten in Cursor.
Was die Benchmarks zeigen
Am interessantesten ist Cursors Vergleichstabelle: Grok 4.6 High neben Grok 4.5 High, GPT-5.6 Sol Max und Fable 5 Max.
| Benchmark | Grok 4.6 High | Grok 4.5 High | GPT-5.6 Sol Max | Fable 5 Max |
|---|---|---|---|---|
| AA Intelligence Index | 61 | 56 | 61 | 62 |
| GDPVal-AA v2 | 1753 | 1526 | 1728 | 1741 |
| CursorBench v3.2 | 69.9 % | 66.7 % | 67.2 % | 70.5 % |
| DeepSWE v1.1 | 65.9 % | 54 % | 73 % | 70 % |
| FrontierCode v1.1 Extended | 61.3 % | 56.6 % | 60.6 % | 64.9 % |
| APEX-Agents | 57.5 % | 47.1 % | 56.7 % | 59.2 % |
| Terminal-Bench v3.0 | 26 % | 15.7 % | 34.6 % | 34.1 % |
| APEX-SWE | 56.4 % | 53.6 % | — | 58.8 % |
| AA-Briefcase | 1577 | 1313 | 1502 | 1574 |
| Harvey LAB (Vals) | 15.8 % | 12.9 % | 2.5 % | 11.3 % |
Im allgemeinen Artificial Analysis Intelligence Index erreicht Grok 4.6 61 Punkte, gleichauf mit GPT-5.6 Sol Max und einen Punkt hinter Fable 5 Max mit 62. Grok 4.5 lag bei 56. Artificial Analysis betont den Fünfpunktsprung in einer Generation.
Einzelne Arbeitsarten sind aber interessanter als ein Gesamtindex.
GDPVal-AA v2: 1753. Hier liegt es vor Fable 5 Max mit 1741 und GPT-5.6 Sol Max mit 1728. Der Test nähert reale geistige Agentenarbeit an und ist mir besonders wichtig. Artificial Analysis zählt Agentenleistung zu Groks größten Stärken.
Bei CursorBench v3.2 erreicht Grok 4.6 High 69,9 % gegenüber 66,7 % bei Grok 4.5, 67,2 % bei GPT-5.6 Sol Max und 70,5 % bei Fable 5 Max. Fast kein Abstand zu Fable. Aktuell erreicht Grok 4.6 Extra High sogar mehr: 70,8 %, womit es in diesem Test derzeit sogar vor Fable 5 Max und Opus 5 Max liegt. CursorBench basiert auf mehrdeutigen Aufgaben über mehrere Dateien aus echten Cursor-Sitzungen: Bearbeitung, Refactoring, Fehlersuche, Verständnis der Codebasis und Einsatz von Werkzeugen.
Andere Modelle führen manche Tests an, etwa DeepSWE v1.1 erzielt Grok 4.6 65,9 %, GPT-5.6 Sol Max 73 % und Fable 5 Max 70 %. Bei Terminal-Bench v3.0 liegt Grok bei 26 %, GPT-5.6 bei 34,6 % und Fable bei 34,1 %.
In anderen Kategorien ist Grok ganz nah an der Spitze: 61,3 % bei FrontierCode, 57,5 % bei APEX-Agents, 56,4 % bei APEX-SWE.
Noch ein aussagekräftiges Ergebnis: AA-Briefcase: 1577. Fable 5 Max erreicht 1574, GPT-5.6 Sol Max 1502, Grok 4.5 lag bei 1313. Artificial Analysis ordnet es hier ein als Fable-5-Niveau und betont die Effizienz langer Aufgaben: deutlich weniger Schritte und Eingabetokens als bei manchen teureren Spitzenmodellen.
Selbst im spezialisierten Harvey LAB, der juristische Agentenarbeit betrifft, zeigt Cursors Tabelle für Grok 4.6 15,8 %, höher als Fable 5 Max mit 11,3 %, Grok 4.5 mit 12,9 % und GPT-5.6 Sol Max mit 2,5 %.
Ich würde daher keinen absoluten Sieger suchen. Das Bild ist interessanter: Grok 4.6 gehört nun zur kleinen Modellgruppe, die je nach Aufgabe tatsächlich die Spitzenplätze tauscht.
Jetzt zum Preis
Der Grundpreis bleibt wie bei Grok 4.5: 2 $ je Million Eingabetokens und 6 $ je Million Ausgabetokens. Cursor bietet auch Fast zum doppelten Preis. Artificial Analysis betont, dass Grok bei vergleichbarer Spitzenleistung deutlich günstiger ist als einige Konkurrenten.
Für die erste Woche aktivierte Cursor bei Grok 4.6 2× Usage in Cursor und Grok Build. Für aktive Nutzer fast 50 % geringere Arbeitskosten: ungefähr doppelt so viele Aufgaben mit demselben enthaltenen Kontingent.
Hier wird es besonders interessant.
Ein Modell ungefähr auf Fable-5-Niveau kann an den eigenen Projekten arbeiten, derzeit sogar mit doppeltem Usage.
Was bei mir nach dem Release geschah
Ich nutze es direkt in Cursor und setzte es nach der Release-Mail fast sofort auf meine Repositories und laufenden Projekte an.
Nicht auf ein Test- Hello World, sondern auf bestehende Codebasen: Struktur verstehen, Schwächen suchen, auditieren, Refactoring vorschlagen und Architektur insgesamt betrachten.
Die ersten Ergebnisse gefallen mir sehr.
Besonders gut funktioniert derzeit der Auditmodus. Das Modell beschränkt sich nicht auf ein paar offensichtliche Hinweise, sondern beginnt tatsächlich, das Projekt systematisch durchzugehen. Nach der Untersuchung des Repositorys erstellt es Audit Canvas, eine Karte von Problemen und Verbesserungen: vereinfachte Architektur, doppelte Logik, löschbare Altlasten, Refactoringchancen, Komponentenstruktur und monatelang übersehene Stellen.
Mir gefällt die Arbeitsweise: erst das bestehende Projekt tief verstehen, dann Änderungen vorschlagen. Für große lebende Repositories wertvoller als schöner Code von null.
Ich prüfe weiter die realen Grenzen an meinen Projekten. Bisher sehr guter Eindruck: Grok 4.6 fühlt sich in Cursor schon nicht mehr wie ein Programmierassistent an, dem man kleine Aufgaben geben muss, sondern wie ein weiterer recht starker Entwickler, dem man einen ganzen Arbeitsbereich überlassen kann.
Wir reden immer weniger über bessere Antworten und mehr darüber, welche echte Arbeit man ganz an einen Agenten geben und morgens das Ergebnis ansehen kann.
@nevsky_alexander
Auf Instagram: Dubai jenseits der Postkarte — Familie, Stadt, Entdeckungen und das Leben zwischen den Projekten. Auf Threads: laute Gedanken über Design und KI. Auf YouTube: Videos, die mehr Platz brauchen als eine Story. Folgt mir dort, wo ihr euch wohlfühlt, und lasst uns in Kontakt bleiben