Grok 4.6 empata com o GPT-5.6 Sol no Artificial Analysis Intelligence Index: o que esse empate significa na prática

Empate técnico no papel não é empate no seu terminal

A SpaceXAI, criadora do Grok, publicou no site oficial x.ai/news/grok-4-6 que o Grok 4.6 iguala o GPT-5.6 Sol no Artificial Analysis Intelligence Index, descrito no próprio anúncio como um score composto de nove benchmarks

E aí todo mundo já saiu falando em vencedor, em "agora sim", em ranking

Calma

Este post faz a leitura honesta do que esse empate diz, e principalmente do que ele NÃO diz 🙂

O que é o Artificial Analysis Intelligence Index e como ele é calculado

Antes do placar, o porquê do placar

O Artificial Analysis Intelligence Index é publicado e mantido pela Artificial Analysis, uma empresa independente de benchmarking, com página viva de dados por modelo

"Página viva" quer dizer o quê? Que aquilo é atualizado conforme novos modelos entram, não é um PDF congelado que você imprime e pendura na parede

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 114 aulas
• 4 projetos
• 9h 18min

Conhecer formação

A versão atual é a v4.1.1 e ela reúne nove avaliações:

• GDPval-AA v2
• τ³-Banking
• Terminal-Bench v2.1
• SciCode
• Humanity’s Last Exam
• GPQA Diamond
• CritPt
• AA-Omniscience
• AA-LCR

Só que essas nove não valem a mesma coisa

O índice é uma média ponderada por quatro categorias, assim:

• Agentes: 34%
• Código: 24%
• Raciocínio científico: 24%
• Geral: 18%

Se você conhece nota final de faculdade com pesos diferentes por prova, é exatamente isso: a prova que vale mais puxa o resultado

E aqui a prova que vale mais é tarefa agêntica, com 34%

Então quando um modelo sobe nesse índice, a primeira pergunta honesta é: ele subiu ONDE? Porque um ganho em agentes mexe muito mais no número final do que um ganho na categoria geral

Como fica a tabela: pontuação, variante testada e preço de API

Os números verificados, lado a lado, sem veredito de melhor ou pior:

O modelo da SpaceXAI aparece logo à frente do Kimi K3 nessa mesma leitura

A diferença de preço de tabela é o dado que mais salta: US$ 2 na entrada, contra US$ 5 do Claude Opus 5 e do GPT-5.6 Sol, e US$ 6 na saída, contra US$ 25 e US$ 30 desses mesmos dois

A variante fast custa o dobro desses US$ 2 e US$ 6 do anúncio oficial

A janela de contexto é de 500 mil tokens, inalterada em relação ao Grok 4.5

Uma nota que muita manchete esquece: repare nos parênteses da tabela

A comparação é entre CONFIGURAÇÕES específicas, não entre nomes genéricos

É "Grok 4.6 (high)" contra "GPT-5.6 Sol (max)", com o Claude Opus 5 em "(max)" e o Claude Fable 5 em "(max with fallback)"

Mudou a variante, mudou o jogo, e o print que circula por aí quase nunca conta qual variante estava rodando

O que esse empate garante e o que ele não garante no dia a dia

Começa pelo mais importante: a própria Artificial Analysis estima intervalo de confiança de 95% em menos de ±1% para o Intelligence Index v4.1.1, e avisa que avaliações individuais podem ter intervalos mais largos

Traduzindo pro português: 61 contra 61 não separa os dois modelos

Não é "empatou por pouco", é empate mesmo, dentro da margem

Debaixo do agregado é que a coisa fica interessante, porque tem recorte:

• GDPval-AA v2: Elo de 1753, atrás apenas do Claude Opus 5, com intervalos de confiança sobrepostos aos do Claude Fable 5 e do Qwen3.8 Max
• τ³-Banking: 50,7%, entre os dois melhores
• Terminal-Bench v2.1: 88,4%

Olha o detalhe do GDPval-AA v2: intervalos SOBREPOSTOS de novo

Ou seja, mais um lugar onde o número maior não vira superioridade declarada

Tem também um dado que ninguém coloca em manchete e que na prática pesa no bolso: a Artificial Analysis mediu que o Grok 4.6 resolve tarefas em cerca de 53 turnos e ~0,5 bilhão de tokens de entrada em média, contra ~103 turnos e ~2,0 bilhões de tokens do Claude Opus 5 (max)

Isso é consumo pra chegar no resultado, não é qualidade do resultado

Mas junte com o preço de tabela e você entende por que essa linha importa mais do que 1 ponto pra cima ou pra baixo no índice

E contra a própria geração anterior o salto é claro: +5 pontos sobre o Grok 4.5 (que marcava 56) e +23 pontos sobre o Grok 4.3

Esse tipo de comparação, aliás, é a mais confiável de todas, porque é o mesmo índice medindo a mesma família

Segundo o anúncio oficial, o modelo está disponível no Cursor e no Grok Build, além da API e de parceiros como OpenRouter, Vercel e Cloudflare

Índice empatado não conta como o modelo se comporta no seu projeto

Aqui eu falo do que eu vi com a mão na massa, e já aviso de cara: NÃO testei o Grok 4.6

O que vem abaixo não é sobre ele, é sobre o QUANTO um score agregado consegue te contar

O que eu testei foram dois outros modelos que aparecem nessa mesma conversa de índice, o GPT-5.6 Sol e o Fable 5, no mesmo projeto, com os mesmos prompts e configurações equivalentes, os dois no nível máximo de raciocínio

E olha que engraçado: antes de rodar qualquer coisa eu montei a ficha técnica dos dois e os benchmarks DISCORDAVAM entre si

Um índice geral apontava um vencedor, o benchmark focado em código apontava o outro

Pra mim foi exatamente por isso que valia testar na prática, em vez de aceitar o ranking e seguir a vida

O teste foi dividido em 4 rodadas: landing page, autenticação e base do sistema, integração com IA e regra de negócio, e no fim um jogo 3D em um prompt só

O que apareceu logo na primeira etapa:

• o GPT-5.6 Sol concluiu em 11 minutos
• o Fable 5 ainda estava rodando a MESMA etapa passando de 20 minutos
• minha cota caiu de 100% para 83% nesse pedaço
• somando as etapas que comentei no fim do trecho, o GPT-5.6 Sol ficou em 11 minutos mais 40 minutos

No primeiro round eu preferi o resultado do GPT-5.6 Sol: ele gerou SVGs pro logo, uma simulação de interface do sistema em HTML e um esquema de cores que eu achei melhor

O Fable ficou mais simples ali, com ícone padrão e cards menos trabalhados, ainda que a estrutura fosse parecida

E mesmo assim a diferença entre as duas landing pages não foi gritante, viu? Foi detalhe de acabamento e animação, não abismo

Teve o percalço clássico também: o GPT-5.6 Sol subiu o projeto na porta 3000, que já estava ocupada por outro projeto na minha máquina, e eu tive que mandar ele usar outra porta 😅

O tempo de espera no raciocínio máximo me irritou o bastante pra eu baixar o effort dos dois pro nível alto a partir da segunda rodada, pra entregar mais rápido e queimar menos token

Outra diferença que nenhum índice mede: um dos ambientes mostrava a lista de tarefas em execução e o outro só narrava o que estava fazendo, sem me dar noção do que faltava

Isso é experiência de uso pura, e muda MUITO como você se sente esperando

Nada disso é benchmark, beleza? É observação de uso, em um projeto, com os meus prompts, e com dois modelos que não são o par que empatou lá em cima

Mas serve pra mostrar o buraco que existe entre "empatou no score agregado" e "é a mesma coisa pra trabalhar"

Se dois modelos que os índices tratavam como equivalentes se comportaram tão diferente no MEU projeto, o empate de 61 pontos também é uma hipótese pra você testar, não uma conclusão sobre como o modelo vai se sair no teu código

Vale lembrar ainda que parte dos dados de benchmark que circulam é autorreportada pelas próprias empresas

Avalie o prático junto com os números, sempre

Bora ver na prática? No vídeo acima eu mostro as 4 rodadas, os prompts e o que cada modelo entregou, e reforçando: esse teste é GPT-5.6 Sol contra Fable 5, o Grok não entra nele

Como usar essa informação sem cair na leitura fácil

Recapitulando o que a gente viu

O Grok 4.6 marca 61 pontos no Artificial Analysis Intelligence Index, em linha com o GPT-5.6 Sol (max), com Claude Opus 5 (max) em 63 e Claude Fable 5 em 62 acima dele

Esse 61 é um dado AGREGADO de nove avaliações, com pesos diferentes por categoria e margem estimada em menos de ±1%

Não é selo de superioridade, não é "o melhor modelo", não é ordem de compra

O próximo passo prático, se você está pensando em trocar de modelo:

1. Olhe as avaliações individuais que pesam no SEU tipo de tarefa. Se o seu dia é terminal e agente, Terminal-Bench v2.1 e τ³-Banking te dizem mais do que a média final
2. Confira a variante exata que foi testada. "Grok 4.6 (high)" e "GPT-5.6 Sol (max)" não são o botão padrão de lugar nenhum, e o erro comum aqui é comparar o print do ranking com a configuração que você realmente usa
3. Coloque preço e janela na conta. US$ 2 e US$ 6 por 1M de tokens contra US$ 5 e US$ 30, mais os 500 mil tokens de contexto, mexem no seu custo mensal muito mais do que 1 ponto de índice
4. Teste no seu projeto antes de migrar de vez. Um projeto real seu vale mais que qualquer tabela, inclusive a que está aqui em cima 😀

E lembra que a página do índice é viva: entra modelo novo, a ordem se mexe

O que vale hoje pode não valer daqui a pouco…

Até o próximo post!