Grok 4.6 checa o próprio trabalho: o que muda em tarefas longas?

Sabe aquela IA que começa bem a tarefa, se perde na etapa 12 e entrega um Frankenstein no final?

Pois é, esse é o problema que a SpaceXAI (nome da divisão de IA depois da fusão que dissolveu a xAI como empresa separada dentro da SpaceX) colocou na mira com o Grok 4.6

Ele é o sucessor do Grok 4.5 e foi anunciado como novo modelo de ponta voltado a long-running agents e a trabalho interativo e visual mais ambicioso

Ou seja, não é o modelo pra responder "qual a capital da Mongólia", é o modelo pra ficar horas mexendo numa base de código sem se perder

Se você acompanha a linha desde as novidades do Grok 4, a mudança de discurso aqui é bem clara: saiu de "responde melhor" pra "aguenta o tranco por muitas etapas"

O que é autoteste e verificação em trajetórias longas

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 114 aulas
• 4 projetos
• 9h 18min

Conhecer formação

O anúncio oficial usa uma frase específica: mais autoteste e verificação em trajetórias mais longas, com o modelo checando o próprio trabalho antes de seguir adiante

Trajetória, aqui, é a sequência de passos que o agente dá até terminar a tarefa

Um agente comum emenda passo em passo às cegas: gera código, chama ferramenta, lê saída, gera mais código, e assim vai

Se o passo 3 saiu torto, o passo 4 já nasce em cima do erro

É como construir parede sem prumo: no começo ninguém percebe, no quinto tijolo a coisa toda tá torta 🙂

A proposta descrita é o modelo parar e conferir o próprio resultado antes de avançar

E isso amarra direto com a outra afirmação oficial: permanência em tarefas complexas através de muitas etapas seguidas

Os exemplos que o próprio anúncio cita são esses:

• pesquisar um tema
• trabalhar em uma base de código
• transformar uma ideia ampla de produto em uma primeira versão funcional

Repara que os três têm a mesma cara: são tarefas onde o valor só aparece no fim, depois de muita etapa encadeada

Um detalhe importante pra não vender fumaça: o anúncio descreve o COMPORTAMENTO, não abre o mecanismo interno

Então dá pra dizer "a xAI afirma que o modelo verifica o próprio trabalho", mas não dá pra dizer exatamente como isso acontece por dentro

De onde veio o ganho: pós-treino, não modelo novo do zero

Essa é a parte que mais me interessou, e é onde o anúncio é bem específico

O ganho vem sobretudo de pós-treino, não de um modelo base novo construído do zero

A lista declarada é essa:

• rodada suplementar de treino mais longa que a do Grok 4.5
• dados curados gerados por modelo para raciocínio e conceitos técnicos
• otimizador e receita de treino melhorados
• trajetórias de SFT regeradas pelo Grok 4.5, ou seja, a geração anterior produzindo material de treino pra próxima
• RL em ambientes de agente, em domínios como STEM, engenharia de software, otimização de kernel, web dev e CAD

E tem um item que conversa DIRETO com o tema do post: traços problemáticos das trajetórias de treino foram filtrados por checagens baseadas em modelo (model-based checks)

Sacou a simetria? Usaram modelo pra checar os rastros de execução usados no treino, e o resultado é um modelo que checa a própria execução

Não é coincidência de marketing, é a mesma lógica aplicada dos dois lados do processo

Grok 4.6 x Grok 4.5 x concorrentes: os números medidos

Saindo do discurso e indo pro que foi medido por terceiro, esses são os dados da Artificial Analysis e do anúncio

A leitura honesta da tabela:

No índice geral de inteligência ele não é o primeiro colocado, e tá tudo bem, não é essa a briga dele

O número que realmente conversa com a promessa de verificação é o de eficiência agêntica: ~53 turnos e ~0,5 bilhão de tokens de entrada, contra ~103 turnos e ~2,0 bilhões do Claude Opus 5 (max)

Metade dos turnos pra resolver a mesma coisa é exatamente o que você esperaria de um modelo que erra menos no meio do caminho e volta menos atrás

Não é prova do mecanismo, mas é o sinal público mais próximo dele

O que muda para quem roda agentes no dia a dia

Agora a tradução pro seu bolso e pro seu terminal

Menos turnos e menos tokens de entrada é conta menor. Em execução longa, cada turno relê contexto, e contexto relido é token pago várias vezes

O custo médio medido ficou em US$ 0,84 por tarefa

Testar não ficou mais caro. O preço por token continua o mesmo do Grok 4.5 (US$ 2 entrada e US$ 6 saída por milhão), então o ganho de capacidade veio sem aumento de preço

A janela de contexto também segue em 500 mil tokens

Onde dá pra usar hoje:

No lançamento, ele aparece no Cursor, no Grok Build, na API da SpaceXAI e em parceiros como OpenRouter, Vercel e Cloudflare

No Cursor, está disponível em todos os planos: é só escolher o Grok 4.6 no seletor de modelo do agente ou do chat

Na API, o identificador do modelo é esse:

model: "grok-4.6"

O Cursor também deu a avaliação deles: o modelo entrega primeiras versões mais fortes em projetos visuais e interativos que o Grok 4.5, com mais autoteste e verificação

E o que AINDA não dá pra afirmar:

Aqui entra a parte que ninguém gosta de escrever, mas que é a que separa post útil de post de hype

Não foi confirmado se ele já virou o modelo padrão no app do Grok ou no Grok dentro do X, nem em quais planos de consumidor

Se a sua dúvida é mais sobre Grok grátis e pago, isso é outro assunto e segue valendo o que já está lá

Também não existe número oficial comparando a economia de tokens do 4.6 contra o 4.5

E nada disso substitui rodar na SUA tarefa, com o SEU repositório e as SUAS ferramentas

Benchmark é média de população, seu projeto é caso individual

Onde esse comportamento tende a pesar mais

O fio condutor de todos os casos abaixo é o mesmo: etapa que erra cedo contamina tudo o que vem depois

1. Agente mexendo numa base de código por muitas etapas seguidas

É o cenário clássico do estrago silencioso: o modelo entende errado uma convenção do projeto no começo e replica o erro em 14 arquivos

Verificar antes de avançar é o que evita a refatoração de mentira que você só descobre no code review

2. Pesquisa longa sobre um tema

Uma fonte mal interpretada no começo vira premissa e depois vira conclusão

3. Primeira versão funcional de uma ideia ampla de produto

Esse é o caso que o anúncio cita e que o Cursor reforça, falando em primeiras versões mais fortes em projetos visuais e interativos

Faz sentido: num protótipo, o que quebra normalmente não é a lógica difícil, é a montagem de 30 peças pequenas onde qualquer uma torta derruba a tela

4. Tarefas de terminal

É o que o Terminal-Bench v2.1 mede, onde o modelo marcou 88,4%

E terminal é o lugar onde erro não é só ruim, é irreversível (os rm -rf da vida agradecem qualquer verificação a mais)

5. Fluxos com uso pesado de ferramenta em domínio

O τ³-Banking, com 50,7%, é justamente o tipo de teste onde o modelo precisa seguir regra e chamar ferramenta certa, várias vezes seguidas

Repara que nenhum desses casos é sobre "a resposta ser mais inteligente"

É tudo sobre não estragar a tarefa no meio do caminho

Conclusão

O que dá pra afirmar hoje, sem teste próprio, é isso:

O Grok 4.6 é o sucessor do Grok 4.5, feito pela SpaceXAI, e a aposta declarada é autoteste e verificação em trajetórias mais longas, com o modelo checando o próprio trabalho antes de avançar

O ganho veio de pós-treino (rodada suplementar mais longa, dados curados, otimizador revisado, trajetórias de SFT regeradas e RL em ambientes de agente), não de um modelo novo do zero

Os números de eficiência agêntica (~53 turnos e ~0,5 bilhão de tokens de entrada, contra ~103 e ~2,0 bilhões do Claude Opus 5 max) são o sinal público mais próximo dessa promessa

E o preço e o contexto não mudaram em relação ao 4.5, o que torna o teste barato de fazer

Próximo passo concreto, se você quiser sair do achismo: pega UMA tarefa longa e comparável, roda no Cursor ou via API com model: "grok-4.6", e compara turnos e custo com o modelo que você usa hoje

Mesma tarefa, mesmo repositório, mesmas ferramentas

É o único jeito de saber se a verificação no meio do caminho aparece no SEU fluxo, e não só na tabela

até o próximo post!