Grok 4.6 发布了！过去几周，我把它作为日常主力模型，用在编码和知识工作的常规组合场景中，还专门为它做了几个项目，来测试它在哪些地方依然靠得住。
它样样都做得不错。最突出的不是某一项能力有多大的单点跃升，而是它的沟通方式和速度。
https://x.com/SpaceXAI/status/2087562800982077492
信息密度极高的沟通
它很会协作，适合并肩工作。总结里全是实打实的信息，不会把你的任务复述一遍；运行过程中的简短更新也足以让我判断要不要打断它。
改动小的时候它保持安静，一旦涉及大量文件就开始解说。要把这个分寸拿捏好，需要的调优比你想象中更多。它有时还是会告诉我一些不需要知道的东西，这点我们还在改进。
令人愉悦的速度
4.5 也很快。4.6 不仅快，而且明显更聪明，这种组合把我推向了一种更同步的工作方式。我不会预先给足上下文然后干等，而是先让它做点小事、看一眼结果、再继续推进。同一个会话里，只要再说一句，就能转入更长期的任务。
我会根据当月最好的模型擅长什么，在同步和异步之间来回切换。异步方式能在我忙别的的时候完成更多事，但我容易丢掉思路，最后在毫无上下文的情况下审查一大段 diff。4.6 把我拉回了同步方式，而这正是我在乎结果时更愿意采用的方式。
这几周大部分都是普普通通的工作。它替我浏览网站，包括在服务商的控制台里一路点击，创建 API 密钥。它对运行中的应用做了功能和视觉 QA。它把我的收件箱精简到只剩几封真正需要回复的邮件，这种感觉永远不会腻。它还帮我起草了 Cursor SDK Bridge 和 /rename-chat 的发布帖子，并用 Remotion 为这两个项目制作了一支发布视频！
简短提示词，严格验证
这几周里，我花了一部分时间把不同的提示词风格放在一起对比测试：长提示对短提示，以及像"work very hard"这样的具体措辞会不会改变结果。我发现，措辞几乎不会带来任何差别。
长度确实有影响，但和我想象的不一样。长提示词换来的是明确性，所以如果你很清楚自己想要什么，就把它写下来。短提示词则是把更多决定权交给模型的审美判断。以前这种权衡通常意味着应该把所有东西都写清楚。但到了 4.6，模型的审美已经足够好，短提示加上一个明确的偏好，通常就能落在不错的结果上。
当你手头有详细规格时，长规格依然很好用。我给了一个反馈小组件的详细规格，包括会话捕获、服务器处理器和云端 Agent 分发，它从头到尾都用合理的结构完成了整个任务。除非你要求它拆分组件，否则它确实会在组件里重复代码。
我做的其中一个项目是电子表格应用，我把同一个任务分别交给两个模型各跑两次。一次给了两页纸的规格说明，涵盖我能想到的每一个工具栏按钮、键盘快捷键和公式；另一次只给了三句话。
1用 Next.js 构建一个精致的 Sheets/Excel 风格应用，外加一个能分析表格的 AI 聊天。所有 AI 功能都使用 Cursor SDK。预置一个带真实感的示例工作簿，让它一打开就很好看。
两个应用交回来时几乎一模一样。真正改变结果的是多加了这一句话：
1实现完成后验证功能和设计，然后持续迭代和验证，直到它达到生产就绪状态。
这一句话是我这几周里发现的杠杆率最高的做法！有了它，模型会打开应用，沿着真实用户路径点击操作，检查嵌套公式是否计算正确，然后把发现的问题修掉。没有扎实的浏览器使用能力，这一切都无法实现——正是浏览器能力让这个循环成为可能。
当输出更难检查时，同样的原则依然成立。在 3D 场景上让它"改善纹理"毫无进展，而"截取当前帧，列出问题，然后只修复这些问题"则立即奏效。
从这里开始的每一次对比，都是在隔离的工作区里用同一个提示词跑两个模型，所以没有哪一条是凭我上个月的记忆。
你也不需要告诉它要努力工作，或者一直推着它直到完成。它会自己持续推进相当长的时间。更重要的是告诉它"完成"是什么意思，否则它就会替你做主。
更进一步
我从小到大玩《Age of Empires 2》玩到了离谱的程度，几千个小时。所以复刻它是我想尝试的第一个项目。我让它做一个浏览器策略游戏，要有经济系统、建造、战斗、战争迷雾、任务目标，以及一个新手不用看说明就能看懂的 HUD。
4.5 做出了一个能玩的平面原型。4.6 第一次就给出了等距视角的 3D 世界，HUD 和小地图都已经就位，比原版接近多了！
怀旧之旅还在继续，接下来我让它做了 MSN Messenger。
两个模型显然都懂这个梗，而且都做得不错。4.6 只是更精致一些，连独立的聊天窗口和眨眼动画都照顾到了。
我经常用 Excalidraw，而且它是开源的，所以很自然地用它来测试模型面对真实代码库而不是空文件夹时的表现。我让两个模型都做一个演示模式：保存命名视图、调整顺序，然后以引导式讲解的方式进行演示。提示词里故意没有说具体怎么实现。
在这么模糊的提示下，两个模型最终达到了差不多的水平，已经很了不起了！只是 4.6 第一遍就更注重细节，实际操作中意味着我能少几轮指出问题。
这里也能看出跳过验证的代价。在之前的一次运行中，总结看起来像是完成了，但添加视图的功能实际上并没有生效。只要来一轮"跑一下给我看看"，就暴露了坏掉的导入。
日常工作
我不是每天都做演示文稿和报告，但很多人会，所以我想看看它处理这类工作怎么样。于是我给两个模型同一份虚构的季度数据，让它们做一份董事会汇报材料。
两者都做得不错，差距在于呈现而不是分析。4.5 基本就是把数字平铺在幻灯片上，而 4.6 在结构和层级上花了真功夫，读起来像是有人认真做的演示文稿，而不是数据倾倒。
视频即代码
这一部分值得多说一点，因为我最近花了很多时间在它上面。Remotion 把视频当作代码：每一帧都是一个 React 组件，根据当前帧号渲染，整个项目通过无头 Chromium 和 FFmpeg 编译成 MP4。你的视频就活在 git 里。这是一种真正好玩的创作方式！不过把它交给模型做也是一件很奇特的事，因为你没法靠检查它能不能跑起来来判断是否成功。
我让它为 X TypeScript SDK 制作一支 60 到 90 秒的发布视频，并把文档交给它作为参考。
我评判的标准是：有没有故事线，节奏撑不撑得住。大多数模型在这里以同样的方式翻车：大写标题、带框文字、所有内容一次性砸到屏幕上。两支视频都避开了大部分这些问题，而 4.6 这支更耐看。
在不同模型上跑了几天之后，我发现视频是差距最大的领域。两个在 Web 应用上感觉旗鼓相当的模型，在这里可能天差地别。
需要引导的地方
几乎所有需要我引导的地方，归根结底都是同一件事：模型验证自己工作的难易程度。
网站是最简单的情况。DOM 是文本，所以它既能读页面、截图，也能和自己原本的意图做对比。这就是为什么验证循环在 UI 工作上效果这么好的原因。
3D 就更难了，因为有一个维度是你无法通过阅读来检查的。视频则更难，因为额外的维度是时间，检查工作意味着截取一帧帧画面，然后推敲帧与帧之间的差异。物理也是同样类型的问题。模型对世界应该是什么样有很好的直觉，但要确认世界确实按它想的那样运作，一张截图回答不了。
务实的解决办法是给它一个"看"的途径，或者接受检查的人是你自己。
为什么它成了我的默认选择
偏科的模型——在某一件事上格外出色的模型——确实有真正的价值。但我大部分工作并不是某一件事。我日常想要的是一个我很了解的模型：一个我对其行为建立了直觉、可靠到可以放心交办任务、而且我清楚其缺点到可以不加思考就绕开的模型。
4.6 对我来说就正好变成了这样一个模型。在编码方面，它能处理我边看边反馈的交互式和视觉类工作，也能在真实代码仓库中进行长时间会话。在知识工作方面，它接管了收件箱、浏览器 QA，以及那些背后没有 API 的点击操作类任务。它并不是其中任何一项上能想象到的最好的模型，但它每一项都做得不错，而且我知道该期待什么。
在那些以视觉效果来评判输出的地方，我仍然会参与。动效、3D 和最终打磨需要的是参考图和一轮轮的截图反馈，而不是一段描述。而且我会把验收标准写下来，而不是相信一句"做完了"的总结。
试试看
Grok 4.6 现在已经可以在 Cursor、SpaceXAI API、OpenRouter 以及任何你能获取 token 的地方使用！
去试试吧，然后告诉我你的想法。我们会继续改进它，所以无论好坏都请留下反馈，因为那才是告诉我们下一步该往哪里推的动力。
很期待听到你会用它做出什么！
