Grok 4.6 正式推出！過去幾週，我一直把它當作日常主力，應付程式開發與知識工作的日常組合，也特地用它打造了幾個專案，測試它在哪些地方真正撐得住。
它在各方面都表現得很好。最突出的不是某項單一能力的巨大躍升，而是它溝通的方式與速度。
https://x.com/SpaceXAI/status/2087562800982077492
資訊密度高的溝通
它很適合協作，讓人樂於與它並肩工作。它給的總結充滿實際資訊，而不是把任務原封不動地複述給我；執行期間的簡短更新，也足以讓我知道該不該打斷它。
小修改時它保持安靜，一旦觸及大量檔案就開始說明進度。要拿捏這個分寸，比你想像的更需要調校。不過它有時候還是會告訴我一些我不需要的東西，這點我們正在改進。
令人愉悅的速度
4.5 也很快。4.6 不但快，而且明顯更聰明，這個組合把我推向更同步的工作方式。與其先塞入大量上下文然後等待，我更傾向請它先做一件小事、看一下結果、然後繼續。同一個工作階段也能直接切入更長期的任務，只要開口要求就行。
我會根據當月最好的模型擅長什麼，在同步與非同步之間切換。非同步能讓我在其他地方完成更多事，但我會失去脈絡，最後只能毫無上下文地 review 一個巨大的 diff。4.6 把我拉回同步模式，而當我在意結果時，這正是我更想待的位置。
那幾週大部分都是普通工作。它幫我操作網站，包括點擊供應商的主控台來建立 API 金鑰；為執行中的應用程式做功能與視覺 QA；把收件匣縮減到只剩幾串真正需要回覆的信件，這種感覺永遠不會膩。它還幫我起草了 Cursor SDK Bridge 和 /rename-chat 的發布貼文，並用 Remotion 為兩者剪了一支發布影片！
簡短提示詞、嚴謹驗證
那段時間，我花了一部分心力比較不同的提示詞風格：長提示詞對短提示詞，以及像「work very hard」這類特定措辭是否會改變結果。我發現，措辭幾乎完全沒有影響。
長度則有影響，只是跟我原本以為的不一樣。長提示詞換來的是明確性，所以如果你很清楚自己要什麼，就把它寫下來；短提示詞則是把更多決定權交給模型的品味。過去，這樣的取捨意味著應該把一切都寫清楚；到了 4.6，模型的品味已經夠好，一句簡短提示詞加上明確的偏好，通常就能得到不錯的結果。
當你手上有一份完整規格時，長規格依然能運作得很好。我給它一份關於回饋小工具的詳細規格，包含 session capture、server handler 與雲端 Agent 調度，而它從頭到尾都用合理的結構完成了整個任務。不過，它確實會在各元件中重複相同的程式碼，除非你要求它把元件拆開。
我做的其中一個專案是試算表應用程式，我把同樣的任務分別交給兩個模型各跑兩次。一次拿到兩頁的規格，涵蓋我能想到的每個工具列項目、鍵盤快捷鍵和公式；另一次只拿到三句話。
1用 Next.js 打造一個精緻的 Sheets/Excel 風格應用程式，並加入一個能分析試算表的 AI 聊天功能。所有 AI 功能都使用 Cursor SDK。預先載入一份貼近真實的範例活頁簿，讓它一打開看起來就很完善。
兩個應用程式做出來幾乎一模一樣。真正改變結果的，是加上一句話：
1實作完成後驗證功能與設計，並持續迭代與驗證，直到達到可上線的品質。
那一句話是我在那幾週發現槓桿效應最高的東西！有了它，模型會自己打開應用程式、點擊真實的使用者路徑、檢查巢狀公式是否正確計算，然後修正發現的問題。如果沒有可靠的瀏覽器操作能力，這一切都不可能實現；瀏覽器操作正是讓整個循環得以運作的關鍵。
同樣的原則也適用於更難檢查的輸出。對 3D 場景下「改善材質」什麼也沒得到，但「擷取目前畫面、列出哪裡有問題、然後只修那些地方」立刻見效。
從這裡開始，每一項比較都是在隔離的工作區中，讓兩個模型執行相同的提示詞，所以沒有任何結果是憑我上個月的記憶。
你也不需要叫它「努力一點」或「繼續推到完成」。它會自己持續進行好一陣子。更重要的是去定義什麼叫「完成」，因為如果你不定義，它就會替你決定。
更進一步
我小時候花了超乎常理的時間玩《世紀帝國 2》，足足好幾千個小時。所以重現它是我第一個想嘗試的專案。我請它做一款瀏覽器策略遊戲，要有經濟系統、建築、戰鬥、戰爭迷霧、任務目標，以及一個讓新玩家不用看說明就能讀懂的 HUD。
4.5 做出了一個可以玩的平面原型。4.6 第一次就交出等角 3D 世界，HUD 和小地圖都已就位。離真正的遊戲已經非常接近了！
懷舊之旅還沒結束，接下來我請它做 MSN Messenger。
兩個模型顯然都知道這個經典軟體，也做得很好。4.6 只是整體更精緻，連獨立對話視窗和眨眼動畫這些細節都顧到了。
我經常用 Excalidraw，而它是開源專案，這讓它成為觀察兩個模型如何應付真實程式碼庫的最佳測試場，而不是從空資料夾開始。我請兩者都實作一個簡報模式：儲存具名的檢視、重新排序，然後以引導式導覽的方式呈現。提示詞刻意不說明實作方式。
面對這麼模糊的提示詞，兩者最後竟然落在大致相同的位置，令人驚豔！4.6 只是第一次就比較注重細節，這在實務上代表我少了很多輪「這裡要改」的往返。
這也正是跳過驗證會吃虧的地方。稍早一次執行中，總結讀起來像是完成了，但「新增檢視」的功能其實沒有效。只要一輪「跑一遍給我看」，就讓壞掉的 import 現形了。
日常工作
我不是每天都會做簡報和報告，但很多人會，所以我想看看它處理這類工作的表現。我給了兩個模型同一份虛構的季度資料，請它們做一份董事會簡報。
兩者都很有能力，差距在於呈現而非分析。4.5 大多是把數字攤在投影片上；4.6 則在結構與層次上下了真功夫，所以讀起來像是有人用心做的簡報，而不是資料傾倒。
影片即程式碼
這件事值得多講一點，因為我最近花了大量時間在上面。Remotion 把影片視為程式碼：每一幀都是一個 React 元件，會根據當前影格編號來渲染，整支影片透過 headless Chromium 和 FFmpeg 編譯成 MP4。你的影片就放在 git 裡。這真的是一種很有趣的工作方式！不過，把這種任務交給模型也很奇特，因為你無法靠「檢查它能否執行」來判斷它是否成功。
我請它為 X TypeScript SDK 製作一支 60 到 90 秒的發布影片，並把文件交給它作為參考依據。
我評斷的標準是：有沒有故事線、節奏是否撐得住。多數模型都在這裡以同樣的方式翻車：全大寫的標題、加上邊框的文字、所有內容同時湧上畫面。兩支影片都避開了大部分問題，而 4.6 的影片更引人入勝。
在不同模型上跑了幾天之後，我發現影片是差距最懸殊的領域。兩個在網頁應用程式上感覺旗鼓相當的模型，在這裡可能天差地遠。
哪裡需要引導
幾乎所有需要我引導的事情，最後都回到同一件事：模型能否輕鬆驗證自己的工作。
網站是最簡單的情況。DOM 就是文字，所以它能讀取頁面、擷取截圖，然後與原本的意圖比對。這就是為什麼驗證循環在使用者介面工作上能發揮得這麼好。
3D 比較難，因為有一個維度是你無法靠閱讀來檢查的。影片又更難，因為多出來的維度是時間：要檢查成果，必須擷取一連串影格，然後推理它們之間的差異。物理模擬也有同樣形態的問題：模型對「世界應該如何運作」有很好的直覺，但要確認它確實照那樣運作，不是一張截圖能回答的。
務實的解法是給它一個「看」的方式，或者接受「檢查的人是你」。
為什麼我會預設用它
專精型模型確實有它的價值，也就是那些在某一件特定事情上特別出色的模型。但我大部分的工作並不只是某一件事。我日常想要的是我熟悉的模型：我對它的行為已經建立起直覺、它可靠到讓我願意把任務交給它、而且我夠了解它的缺點，可以在不知不覺中繞過它們。
4.6 對我來說，恰好就變成了這樣的模型。在程式開發方面，它能處理那些我邊看邊反應的互動式與視覺化工作，也能在真實的 repository 中進行長時間的工作階段。在知識工作方面，則有收件匣整理、瀏覽器 QA，以及那些背後沒有 API 的點擊操作任務。它在任何單一項目上都不是想像中最出色的模型，但它每一項都做得很好，而且我知道該期待什麼。
在以外觀評判成果的地方，我仍然會參與。動態、3D 與最後的打磨，需要的是參考圖和截圖循環，而不是一段描述。我也會把驗收標準寫下來，而不是相信一句「完成了」的總結。
試試看
Grok 4.6 現在已經可以在 Cursor、OpenRouter 上的 SpaceXAI API，以及任何你能取得 token 的地方使用！
去試試看，然後讓我知道你的想法。我們會持續改進它，所以無論是好是壞，都請留下意見，因為這正是我們判斷下一步該往哪裡推進的依據。
我很期待聽到你用它的成果！
