Ein guter Coding-Agent ist weniger Autocomplete als ein Junior-Engineer mit einem Ticket. Er muss das Repository untersuchen, eine Hypothese bilden, Befehle ausführen, Fehlermeldungen lesen und nach dem zwölften Umweg noch wissen, welches Problem er eigentlich lösen sollte. Grok 4.6 wurde für genau diese längere Schleife trainiert. xAI beschreibt Arbeit über ganze Codebasen, Recherchen in unbekannten Domänen, Webentwicklung, visuelle Anwendungen, mehrere Feedback-Runden und mehr Selbsttests als bei Grok 4.5. Das Ziel ist nicht nur eine elegante Codeantwort, sondern ein Agent, der eine Aufgabe bis zu einem prüfbaren Ergebnis trägt.
Das Muster der Benchmarks spricht für einen echten Generationssprung. Auf CursorBench v3.2 steigt Grok von 66,7% auf 69,9%, auf DeepSWE v1.1 von 54% auf 65,9% und auf FrontierCode v1.1 von 56,6% auf 61,3%. Auch APEX-Agents, APEX-SWE und Terminal-Bench v3 verbessern sich. Eine einzelne gute Zeile kann durch Prompting oder ein besonders passendes Harness entstehen; ein Anstieg über sechs verschiedene Agenten- und Coding-Evaluationen ist deutlich schwerer als Zufall abzutun.
Das macht Grok trotzdem nicht zum universellen Coding-König. In xAIs Vergleich erreicht GPT-5.6 Sol 73% auf DeepSWE, Fable 5 kommt auf 70%. Bei Terminal-Bench v3 liegen Groks 26% unter den veröffentlichten 34,6% beziehungsweise 34,1% der Konkurrenten. Fable 5 hat außerdem kleine Vorsprünge bei CursorBench, FrontierCode, APEX-Agents und APEX-SWE. Der Launch enthält keinen vollständigen Wert für SWE-bench Verified. Diese Lücke darf nicht mit dem Ergebnis eines anderen Tests gefüllt werden: Repository-Reparatur, Terminal-Arbeit und visuelle Produktentwicklung überschneiden sich, messen aber nicht dieselbe Fähigkeit.
Preis und Verfügbarkeit verändern dennoch die praktische Kaufentscheidung. Grok 4.6 war vom ersten Tag an in Cursor und Grok Build verfügbar, zusätzlich über die xAI API, OpenRouter, Vercel und Cloudflare. Der Standardpreis bleibt bei 2 Dollar Input und 6 Dollar Output pro Million Token; die schnellere Variante kostet das Doppelte. Artificial Analysis misst für das allgemeine Modell rund 0,84 Dollar pro Aufgabe. Wenn ein Agent eine Codebasis dreimal untersuchen, zwei Reparaturen versuchen und anschließend einen Reviewer-Lauf bestehen muss, wird der Preis jeder Iteration zu einer echten Engineering-Eigenschaft.
Gerade deshalb wäre es falsch, die Ersparnis in weniger Schutzmaßnahmen umzuwandeln. Frühe Hands-on-Berichte nennen gefährliche Security-Änderungen und unproduktive Reaktionen auf fehlgeschlagene Versuche. Das sind keine kontrollierten Häufigkeitsdaten, aber sie zeigen eine plausible Risikoklasse. Beginne mit read-only Repository-Erkundung, halte Secrets außerhalb der Reichweite des Agenten, begrenze Schreibrechte auf einen separaten Branch, verlange kleine Diffs und lasse CI nach jeder wesentlichen Änderung laufen. Erst wenn das Modell eigene Holdout-Aufgaben zuverlässig besteht, sollte seine Autonomie wachsen.
Ein fairer interner Vergleich muss außerdem das gesamte System prüfen: dasselbe Ticket, dieselben Tools, dieselben Zeit- und Retry-Grenzen und dieselben Tests. Miss nicht nur, ob irgendwann ein Patch entstand, sondern wie viele Modellschritte, Token und menschliche Review-Minuten bis zu einem mergebaren Ergebnis nötig waren. Grok 4.6 ist am besten als Frontier-Value-Coding-Agent zu verstehen: stark genug für ernsthafte Mehrschrittarbeit, günstig genug für einen weiteren Versuch und bereits in den Werkzeugen verfügbar, die Teams nutzen. Sein Vorteil wird erst dann real, wenn der Workflow das Geschriebene konsequent prüft.
