Grok 4.6：可靠的全能主力模型

Grok 4.6 发布啦！过去几周，我把它当作日常主力模型，用于常规的编程和知识工作，并专门用它构建了几个项目，去试探它在哪些地方能够扛得住。

它在所有这些方面都表现出色。最突出的并不是某项能力的单点跃升，而是它的沟通方式和速度。

信息密度极高的沟通

它很擅长协作，让人乐于与它共事。它给出的摘要信息密度很高，都是实实在在的内容，而不是把任务原样复述一遍；它在运行中给出的简短进度更新，也足以让我判断是否需要打断它。

处理小改动时它会保持安静，一旦涉及大量文件，它就会开始说明。要把这个切换分寸调得恰到好处，花的功夫比想象中更多。它有时仍会告诉我一些我不需要的信息，这也是我们正在改进的地方。

令人愉悦的速度

4.5 也很快。4.6 不仅快，而且明显更聪明，这两者的结合促使我转向更同步的工作方式。我不会预先塞入大量上下文然后干等，而是先提出一个小需求，查看结果，再继续推进。同一个会话中，只要提出请求，就能无缝转入更长期的任务。

我会根据当月最强模型恰好擅长什么，在同步与异步之间切换。异步工作方式能在我分身他处时完成更多事情，但我容易丢失思路，最后只能毫无头绪地审一大段 diff。4.6 把我拉回了同步模式，而在我看重结果时，这也是我更愿意待的地方。

那几周里，大部分时间做的都是普通工作。它替我浏览网站，包括在服务商控制台里点击创建 API 密钥。它对运行中的应用做了功能和视觉 QA。它把收件箱精简到只剩少数几个真正需要回复的邮件线程，这种感觉永远不会让人厌倦。它还帮我起草了 Cursor SDK Bridge 和 /rename-chat 的发布推文，并用 Remotion 为两者制作了一支发布视频！

简短提示词，严格验证

那几周里有一部分时间，我在对比测试不同的提示词风格：长提示词与短提示词的对比，以及诸如“非常努力地工作”这类特定措辞是否会改变结果。我发现措辞本身没有任何影响。

长度确实有影响，但影响方式和我预想的不同。长提示词换来的是具体性，因此如果你确切知道自己想要什么，就把它写下来。短提示词则是把更多决策交给模型的审美判断。过去在这种权衡之下，通常的结论是把所有内容都写清楚。到了 4.6，它的审美已经足够好，短提示词加上明确的偏好，通常就能得到不错的结果。

如果你手里确实有一份详细规范，长规范仍然很好用。我给了一份关于反馈小组件的详细规范，它带有会话捕获、服务端处理器和云 Agent 派发功能，它从头到尾完整实现了，结构也很合理。不过它确实会在组件里出现重复，除非你要求它拆分。

我构建的项目中有一个是电子表格应用，我把同一任务分别交给两个模型，每个模型各试了两次。其中一轮我提供了一份两页的规范说明，涵盖了我能想到的每一个工具栏按钮、键盘快捷键和公式；另一轮只给了三句话。

用 Next.js 构建一个精致的 Sheets/Excel 风格应用，并带上一个能分析表格的 AI 聊天功能。所有 AI 功能都使用 Cursor SDK。预加载一份逼真的示例工作簿，让它看起来立刻就很专业。

两个应用产出的结果几乎一模一样。真正改变结果的，是额外加上的一句话：

实现完成后验证功能和设计，并持续迭代、验证，直到达到生产就绪状态。

这句话是我那几周里发现的最具杠杆效应的做法！有了它，模型会打开应用，按真实用户路径点击操作，检查嵌套公式是否计算正确，并修复发现的问题。没有扎实的浏览器操作能力，这一切都不可能实现——正是这种能力让验证循环得以成立。

当输出结果更难检查时，同样的原则依然成立。让模型“改进 3D 场景的纹理”毫无进展；而“捕获当前帧，列出画面中的问题，然后只修复这些问题”则立刻见效。

由此之后的每次对比，我都让两个模型在互相隔离的工作区中运行同一套提示词，所以这些结论不是凭我上个月的记忆得出的。

你也不需要告诉它要努力工作或持续推进直到做完。它自己就会坚持相当长的时间。更关键的是说清楚“完成”意味着什么，否则它会替你来定义。

走得更远

我成长过程中玩了多得离谱的《帝国时代 2》，足有数千小时。因此重现它是我想尝试的第一个项目。我要求做一个浏览器策略游戏，包含经济系统、建造、战斗、战争迷雾、目标，以及一个新玩家无需说明就能看懂的 HUD。

4.5 构建了一个可玩的平面原型。4.6 第一次就拿出了等距视角的 3D 世界，HUD 和小地图也已经就位。更接近真正的游戏了！

怀旧之旅还在继续，我接着做了 MSN Messenger。

两个模型显然都了解这个经典参考，而且做得不错。4.6 只是整体上更精致，连独立的会话窗口和眨眼动画都还原到位了。

我经常使用 Excalidraw，而它是开源的，这使它顺理成章地成为检验模型处理真实代码库（而不是空文件夹）的场所。我让两个模型都实现一个演示模式：保存命名视图、对它们重新排序，并以引导式讲解的方式展示。提示词刻意没有说明具体实现方式。

两个模型产出的结果大致相同，对于那么模糊的提示词来说已经相当出众了！4.6 只是第一轮就更注重细节，实际体验就是我不需要反复指出问题。

这里也正好是跳过验证会出问题的地方。在较早的一次运行中，摘要读起来像是已经完成了，但添加视图的功能实际上并不能用。仅仅一轮“运行起来给我看看”，就暴露了那个损坏的导入。

日常工作

我并不是每天都会做演示文稿和报告，但很多人会，我想看看它处理这类工作时的表现。于是我把同一份虚构的季度数据同时交给两个模型，要求生成一份董事会演示文稿。

两者都能胜任，差距主要在呈现方式而非分析内容。4.5 基本只是把数据堆在幻灯片上，而 4.6 在结构和层级上花了真功夫，所以读起来像一份真人制作的 deck，而不是一次数据倾倒。

视频即代码

这一部分值得多写一些，因为最近我在上面花了很多时间。Remotion 是“视频即代码”：每一帧都是一个 React 组件，根据当前帧序号渲染，整个项目通过无头 Chromium 和 FFmpeg 编译成 MP4。你的视频就存在于 git 中。这是一种非常好玩的创作方式！不过把它交给模型去做也有些不寻常，因为你无法通过“它能运行”来判定是否成功。

我要求为 X TypeScript SDK 制作一支 60 到 90 秒的发布影片，并把官方文档交给它作参考。

我会从两条标准来评判：是否有故事线，以及节奏是否撑得住。大多数模型都在这里以同样的方式失败：全大写标题、带边框的文字、所有内容同时砸在屏幕上。两支影片都避开了大部分这些毛病，而 4.6 那支更引人入胜。

在不同模型上持续测试几天后，我发现视频是差距最大的领域。两个在 Web 应用上水平相当的模型，到了这里可能一个天上一个地下。

需要引导的地方

几乎所有需要我去引导的地方，都归结到同一件事：模型能否方便地验证自己的工作。

网站是最简单的情形。DOM 就是文本，它可以读取页面、截图，再和它原本的意图做对比。这正是验证循环在 UI 工作中效果这么好的原因。

3D 就更难了，因为多了一个无法靠阅读来检查的维度。视频还要更难，因为额外维度是时间，检查工作意味着捕获一帧帧画面，并分析帧与帧之间的差异。物理模拟也面临同样的问题。模型对世界应有的行为有很好的直觉，但要确认它确实按预期运转，不是一张截图就能回答的。

务实的答案是给它一种“观察”的手段，或者接受由你来检查。

为什么它是我的默认选择

特长突出的模型确实有真正的价值——那些在特定领域表现非凡的模型。但我绝大部分工作并不是某一件特定的事。我日常想要的是一个我非常了解的模型：我已经对它会有怎样的表现建立起了直觉，它可靠到可以放心地把事情交给它，而且我足够了解它的短板，能不加思考地绕过去。

这正是 4.6 在我这里变成的样子。在编程层面，它能处理我边看边反馈的交互式和视觉化工作，也能在真实仓库中长时间作战。在知识工作层面，它能担当收件箱整理、浏览器 QA，以及背后没有 API 的点击操作任务。它在任何一项上都不是能想象到的最强模型，但在所有方面都做得好，而且我清楚能期待什么。

在那些以外观为评判标准的地方，我仍然会参与其中。动效、3D 和最终打磨需要的是参考图和截图循环，而不是一段描述。我也会把验收标准写下来，而不是轻信一句“完成了”的摘要。

试试看

Grok 4.6 现已上线，可以在 Cursor、SpaceXAI API、OpenRouter 以及任何你获取 Token 的地方使用！

快来试一试，并让我知道你的想法。我们会持续改进它，所以无论反馈好坏都请告诉我们，这能让我们知道下一步该往哪里使劲。

期待听到你最终用 Grok 4.6 做出了什么！

• 原文链接： x.com/ericzakariasson/st...
• 鸿途知科网 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～