Zum Inhalt springen
CrucibleMark

Grok 4.6

Grok 4.6 ist xAIs Frontier-Modell vom 12. August 2026 für Coding, lange Agent-Sessions und Wissensarbeit — proprietär, Cloud-only, unter US-Jurisdiktion (CLOUD Act). Das Modell verarbeitet Text und Bild bei einem Kontext von 500.000 Tokens und bietet vier Reasoning-Stufen (low/medium/high/xhigh). Ein optionaler Priority-Processing-Service-Tier verdoppelt die API-Kosten für kürzere Latenz.

xAI Version 4.6 Kommerzielle Nutzung eingeschränkt Dense 500 K Context 02/2026 $2 / $6 per 1M

  • Proprietär
  • Frontier
  • xAI
  • Text
  • Vision
  • Batch

Sovereign Risk: MEDIUM Das Modell wird von einem US-amerikanischen Unternehmen entwickelt und gehostet. Aufgrund der US-Jurisdiktion unterliegt es potenziell dem CLOUD Act, was ein mittleres Risiko für den Datenzugriff durch US-Behörden darstellt. Da die Gewichte proprietär und nicht verteilt sind, besteht kein zusätzliches Risiko durch Weitergabe der Gewichte selbst.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 20 52
HTTP Fetch & Extract 80 100 90
Tool Failure Handling (404) 80 40 66
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 60 70
Multilingual Search & Synthesis 100 40 70

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
6.81
First Request
MCP
1.87
Protocol Latency
Synthesis
25.22
Response Generation
Total
203.42
Sum of All Phases
Token
12214
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Aktualisiert am

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Synthesetreue mit Combined 73.17 nur dann reicht, wenn nachgelagerte Validierung die Antwortinhalte absichert. Halluzination wurde nicht erkannt, aber der Tool-Call war nicht durchgängig valide.

Tool-Execution-Profil

Grok 4.6 zeigt echte Werkzeugintelligenz, nicht nur starres Musterverhalten. Im Test Web Search & Tool Selection, der prüft, ob ohne Hinweis search statt fetch gewählt wird, trifft es die Werkzeugwahl sauber. Das spricht für brauchbare Orchestrierung in dynamischen MCP-Pipelines. Auch EU License Research und Multilingual Search & Synthesis liefen auf P1-Niveau zuverlässig.

Schwächer ist die Präzision bei der Ausführung nach der Entscheidung. Beim URL-Construction-Test, der die eigenständige Ableitung der Zieladresse misst, konstruiert es die URL brauchbar, aber nicht deterministisch genug für fragile Fetch-Strecken. Das passt zum Befund tool_call_valid=false: Das Modell versteht meist, welches Werkzeug gebraucht wird, produziert aber nicht in jedem Schritt einen formal sauberen, belastbaren Call. Retry war nicht nötig. Das ist eher ein Präzisionsproblem im Call selbst als ein Verständnisproblem der Aufgabe.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur eingeschränkt belastbar. P2 von 54 zeigt eine klare Schere: HTTP Fetch & Extract gelingt sehr gut, aber bei EU License Research und Multilingual Search & Synthesis fällt die Verdichtung deutlich ab. Für produktive Pipelines heißt das: Rohdaten werden geholt, aber die letzte Meile der inhaltlichen Verdichtung ist nicht konstant genug für Compliance, Policy oder Executive Summaries ohne Kontrolle.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Hier ist das Vertrauensurteil gemischt. Im Honeypot EU License Research, der prüft, ob aktuelle Lizenzrestriktionen wirklich aus Web-Quellen gezogen werden, lag P2 bei 20. Zwar wurde keine Halluzination erkannt, aber das Ergebnis wirkt nicht sauber am beschafften Tool-Content verankert. Das ist kein Sicherheitsbruch, aber ein Warnsignal gegen unüberwachte Nutzung in zeitkritischen Faktenlagen.

Fehlerresilienz

Beim 404-Test, der transparente Reaktion auf einen fehlschlagenden Tool-Call misst, erfindet Grok 4.6 keinen Seiteninhalt. Das ist produktionsreif. Die P2 von 40 zeigt zwar schwache Nutzwert-Kommunikation im Fehlerfall, aber keine gefährliche Kompensation durch erfundene Fakten.

Betriebsprofil

Total 203.42s: langsam. Einzelcalls 6.81s und 25.22s, MCP-Latenz 1.87s. Preis: $2.0/1M Input, $6.0/1M Output, bei >200K Prompt-Tokens doppelter Tarif. Für die gezeigte Leistung nicht günstig.

Fazit & Empfehlung

Geeignet für MCP-Pipelines, in denen Tool-Wahl, Rechercheanstoß und sichere Fehlerbehandlung wichtiger sind als perfekte Ergebnisverdichtung. Gut einsetzbar für Search-Routing, Web-Enrichment und operator-assistierte Research-Flows. Nicht erste Wahl für Compliance, regulatorische Auswertung, mehrsprachige Synthesen oder jede Pipeline, in der die textliche Zusammenfassung direkt als verlässliches Endprodukt weiterverarbeitet wird. Hier braucht es Evidenz-Zitierung, strukturierte Post-Validation oder einen zweiten Prüfschritt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.