El foco principal de Grok 4.6 son las tareas largas de agentes: no solo escribir una función o responder a una pregunta, sino recibir un objetivo amplio, entender un proyecto desconocido, investigar el código, proponer una arquitectura, introducir cambios, comprobar su propio trabajo y continuar durante varias iteraciones. Cursor destaca por separado que el modelo ha mejorado en trayectorias largas, prototipado y proyectos visuales interactivos.
Por eso me interesa sobre todo como un nuevo agente de trabajo dentro de Cursor.
Qué muestran los benchmarks
Destaca la tabla de Cursor: Grok 4.6 High junto a Grok 4.5 High, GPT-5.6 Sol Max y Fable 5 Max.
| Prueba | 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 % |
En el índice general Artificial Analysis Intelligence Index Grok 4.6 obtiene 61 puntos, como GPT-5.6 Sol Max y uno menos que Fable 5 Max con 62. Grok 4.5 tenía 56. Artificial Analysis destaca cinco puntos en una generación.
Los tipos de trabajo importan más que un índice global.
GDPVal-AA v2: 1753. Aquí Grok 4.6 supera tanto a Fable 5 Max, con 1741, como a GPT-5.6 Sol Max, con 1728. Es una prueba de trabajo de agentes próxima a tareas intelectuales reales, por lo que este indicador me importa especialmente. Artificial Analysis señala, además, el rendimiento como agente entre los puntos más fuertes de Grok 4.6.
En CursorBench v3.2 Grok 4.6 High alcanza 69,9 % frente a 66,7 % de Grok 4.5, 67,2 % de GPT-5.6 Sol Max y 70,5 % de Fable 5 Max. La diferencia casi desaparece. El CursorBench actual da aún más a Extra High: 70,8 %, lo que ahora lo sitúa incluso por encima de Fable 5 Max y Opus 5 Max en esta prueba. CursorBench se basa en tareas ambiguas que abarcan varios archivos, tomadas de sesiones reales de Cursor: edición, refactorización, búsqueda de errores, comprensión del código y uso de herramientas.
Otros modelos lideran algunos tests, como DeepSWE v1.1 Grok 4.6 obtiene 65,9 %, GPT-5.6 Sol Max 73 % y Fable 5 Max 70 %. En Terminal-Bench v3.0 Grok tiene 26 %, frente a 34,6 % de GPT-5.6 y 34,1 % de Fable.
En otras categorías está pegado a los líderes: 61,3 % en FrontierCode, 57,5 % en APEX-Agents, 56,4 % en APEX-SWE.
Otro resultado revelador: AA-Briefcase: 1577. Fable 5 Max tiene 1574, GPT-5.6 Sol Max 1502 y Grok 4.5 tenía 1313. Artificial Analysis lo sitúa en nivel Fable 5-tier y destaca por separado la eficiencia del modelo en tareas largas de agentes: llega al resultado con bastantes menos pasos y tokens de entrada que algunos modelos de frontera más caros.
Incluso en el test especializado Harvey LAB, de trabajo jurídico de agentes, Cursor da a Grok 4.6 15,8 %, más que Fable 5 Max con 11,3 %, Grok 4.5 con 12,9 % y GPT-5.6 Sol Max con 2,5 %.
No buscaría un ganador absoluto. La imagen es más interesante: Grok 4.6 entra en el pequeño grupo que se alterna de verdad en la cima según la tarea.
Y ahora, el precio
El precio base sigue igual que Grok 4.5: 2 $ por millón de tokens de entrada y 6 $ por millón de salida. Cursor ofrece Fast al doble de precio. Artificial Analysis destaca que, con rendimiento comparable, Grok es mucho más barato que varios rivales.
En la primera semana Cursor activó para Grok 4.6 2× usage en Cursor y Grok Build: casi un 50 % menos de coste para usuarios activos, el doble de tareas con la misma cuota.
Aquí se vuelve especialmente interesante.
Un modelo cercano a Fable 5 puede trabajar en tus proyectos, ahora con uso doble.
Qué pasó tras el lanzamiento
Lo uso dentro de Cursor y, tras el correo, lo lancé casi enseguida sobre repositorios y proyectos actuales.
No en un simple Hello World, sino código real: estructura, debilidades, auditoría, refactorización y arquitectura global.
Los primeros resultados me gustan mucho.
Funciona especialmente bien auditando: no se queda en comentarios obvios, recorre el proyecto sistemáticamente. Tras investigar crea Audit Canvas, en la práctica un mapa de los problemas encontrados y las posibles mejoras, y aparecen sorprendentemente muchas cosas útiles: simplificaciones arquitectónicas, lógica duplicada, soluciones antiguas que ya se pueden eliminar, oportunidades de refactorizar en serio, problemas en la estructura de componentes y puntos que uno mismo puede pasar meses sin ver.
Me gusta que primero entienda el proyecto y luego proponga cambios. En repositorios grandes vale más que generar código bonito desde cero.
Sigo probando límites reales. La impresión es muy buena: Grok 4.6 dentro de Cursor ya se siente menos como un ayudante de programación al que hay que dar tareas pequeñas y más como otro ingeniero bastante sólido al que se puede confiar toda una línea de trabajo.
Hablamos menos de mejores respuestas y más de qué trabajo real entregar entero a un agente y ver por la mañana qué hizo.
@nevsky_alexander
En Instagram, Dubái más allá de la postal: familia, ciudad, descubrimientos y la vida entre proyectos. En Threads, ideas en voz alta sobre diseño e IA. En YouTube, vídeos que necesitan más espacio que una historia. Sígueme donde te sientas más a gusto y seguimos en contacto