Grok 4.6 sází na dlouhé programátorské úkoly, ne na běžný chat

Grok 4.6, uvedený 12. srpna 2026, nepůsobí jako pokus vytvořit jen o něco příjemnějšího chatbota pro každodenní konverzaci. xAI ho od začátku staví hlavně do role pracovního nástroje pro vývojáře a agentní systémy — tedy modelu, který dokáže porozumět rozsáhlému kódu, upravit několik částí projektu, používat nástroje a pokračovat v úkolu přes více kroků. 1214

Model se při uvedení objevil v prostředích Cursor a Grok Build, v API xAI a u partnerů, jako jsou OpenRouter, Vercel a Cloudflare. Nabízí kontextové okno o velikosti 500 000 tokenů a zachovává hlavní cenové sazby svého předchůdce. 1214

To je důležité i pro interpretaci pozdějších problémů s Grok Lite. Někteří uživatelé webu Grok.com skutečně dostávali dlouhé řetězce nesouvisejících slov. Dostupné důkazy ale neukazují, že by kvůli tomu Grok 4.6 jako celek selhal.

Model navržený pro práci, ne pro jednorázové odpovědi

Dokumentace xAI popisuje Grok 4.6 jako model pro programování, agentní úlohy a znalostní práci. Přijímá textové i obrazové vstupy, generuje text a nabízí čtyři úrovně úsilí při uvažování: low, medium, high a xhigh. Výchozí nastavení je high. 12

V praxi to znamená, že jeho ambice nekončí u odpovědi na izolovaný dotaz. Velké kontextové okno může agentovi umožnit pracovat s větší částí repozitáře, technické specifikace nebo historie projektu. Agentní zaměření zase počítá s tím, že model bude plánovat, provádět změny, kontrolovat výsledek a podle potřeby práci opakovat.

Právě proto xAI při startu zdůrazňovala Cursor a Grok Build. Cursor je editor kódu s vestavěnými funkcemi umělé inteligence, zatímco Grok Build slouží k tvorbě a úpravám softwarových projektů pomocí modelu. Grok 4.6 byl od prvního dne dostupný také přes API a integrace OpenRouteru, Vercelu a Cloudflare. 14

Zprávy zároveň popisovaly doporučení Elona Muska používat Grok Build a Cursor, pokud chtějí lidé z modelu získat největší praktický užitek. Z materiálů dostupných pro tento text však nelze nezávisle ověřit přesné znění tohoto doporučení.

Cena 2 a 6 dolarů platí jen pro kratší prompty

Nejčastěji citovaná cena Groku 4.6 je 2 dolary za milion vstupních tokenů, 0,50 dolaru za milion kešovaných vstupních tokenů a 6 dolarů za milion výstupních tokenů. Tyto sazby platí pro prompty kratší než 200 000 tokenů. 12

U promptů s délkou 200 000 tokenů nebo více se sazby zvyšují na 4 dolary za milion vstupních tokenů, 1 dolar za milion kešovaných vstupních tokenů a 12 dolarů za milion výstupních tokenů. 13

Jednoduché označení „2/6“ je tedy přesné, ale neúplné. Právě dlouhé kontexty jsou přitom jedním z hlavních argumentů pro nasazení Groku 4.6. Tým, který modelu předává rozsáhlý repozitář, dlouhou historii komunikace nebo trvalý kontext agenta, by měl náklady počítat podle vyšší sazby — nikoli automaticky podle reklamního titulku.

xAI při uvedení nabídla také rychlejší variantu modelu, která stojí dvojnásobek standardní ceny. 14

Skóre 61 je silný signál, nikoli konečný verdikt

Artificial Analysis udělila Groku 4.6 na svém Intelligence Indexu skóre 61, což je o pět bodů více než u Groku 4.5. V citovaných srovnáních se tak model dostal do stejné širší špičkové výkonnostní kategorie jako GPT-5.6 Sol. 1112

Jedno souhrnné skóre ale neříká, který model bude nejlepší pro každý programátorský nebo agentní úkol. Výsledky se mohou měnit podle použitého programovacího jazyka, velikosti repozitáře, nastavení nástrojů, míry uvažování i počtu kroků, které agent potřebuje k dokončení práce.

Opatrnost je na místě také u tvrzení, že Grok 4.6 je „přibližně o 60 procent levnější“ než konkurenční špičkové modely. Takové srovnání závisí na tom, zda porovnává vstupní, výstupní nebo kešované tokeny, kratší či dlouhý kontext a jaký typ úloh předpokládá. Nejbezpečnější závěr je užší: Grok 4.6 přišel s nízkou základní cenou ve srovnání s některými konkurenčními modely, skutečné náklady však určují konkrétní pracovní postupy.

„Slovní salát“ Grok Lite byl jiný problém

Kolem 19. a 20. srpna někteří uživatelé hlásili, že Grok Lite místo smysluplné odpovědi generuje dlouhé řetězce náhodně působících slov. Problém se podle dostupných zpráv týkal přímých dotazů na webu Grok.com. TechCrunch ho při vlastním testování nedokázal zopakovat a uvedl, že zřejmě zasáhl jen malou část uživatelů. Účet Groku na síti X podle zpráv stejným problémem zasažen nebyl. 17

Oficiální účet Groku označil výstupy za „vzácnou dočasnou chybu generování“ a uživatelům doporučil začít nový chat nebo odpověď vygenerovat znovu. 17

Tento incident nelze automaticky vykládat jako důkaz, že Grok 4.6 byl obecně nefunkční. Hlášení se týkala Grok Lite a konkrétní interakce v uživatelském rozhraní Grok.com, zatímco uvedení Groku 4.6 se soustředilo hlavně na API, programování a agentní nástroje.

Zároveň ale ukázala důležitou věc: uživatelé jednotlivé modely a produkty jedné firmy nerozlišují tak pečlivě jako technická dokumentace. Omezená chyba ve spotřebitelském chatbotu proto může ovlivnit důvěru i v širší strategii xAI.

Co uvedení prozrazuje o strategii xAI

Celkový obraz je poměrně jasný:

• Práce místo samotné konverzace. Cursor, Grok Build a API zasazují model přímo do softwarových projektů a opakovatelných pracovních postupů.
• Dlouhý kontext jako funkce agenta. Okno o velikosti 500 000 tokenů má největší hodnotu tehdy, když model pracuje s rozsáhlými podklady nebo pokračuje v dlouhodobém úkolu.
• Konkurence cenou i schopnostmi. Sazby 2/6 dolarů mohou být atraktivní pro testování a běžné použití, ale dlouhé prompty spadají do dražšího tarifu.
• Benchmarky jako vodítko, ne záruka. Skóre 61 a zlepšení o pět bodů oproti Groku 4.5 ukazují posun, samy o sobě však nerozhodují o výsledcích v reálných projektech.
• Spotřebitelská spolehlivost zůstává důležitá. Problém Grok Lite byl podle dostupných zpráv omezený a dočasný, přesto připomněl rozdíl mezi ambiciózní agentní platformou a chatbotem, který musí spolehlivě fungovat při každém běžném dotazu.

Nejpřesnější čtení Groku 4.6 proto nezní „xAI vytvořila lepšího univerzálního chatbota“. Spíše jde o pokus posunout Grok směrem ke strukturovanému programování, dlouhodobě běžícím agentům a vícekrokové znalostní práci.

Úspěch této strategie nakonec nebude záviset jen na velikosti kontextového okna nebo jediném benchmarku. Rozhodne především to, jak spolehlivě dokáže model dokončovat užitečné úkoly uvnitř nástrojů, které vývojáři skutečně používají.