O czym jest ten film
- Premiera Grok 4.6 i teza autora, że SpaceX AI dołączyło do grona firm z modelami klasy frontier.
- Weryfikacja obietnic marketingowych: jakość na poziomie Opus 5 i GPT-5.6 przy znacznie niższej cenie i wyższej szybkości.
- Autorski zestaw pięciu testów praktycznych zamiast benchmarków publikowanych przez producentów.
- Bezpośrednie porównanie z GPT-5.6 Soul: wynik na korzyść Groka, przy krótszym czasie i około jednej trzeciej kosztu.
- Porównanie z Fable 5, w tym wpływ odmowy wykonania zadania przez Fable ze względu na zabezpieczenia.
- Test agentowy na dużym zbiorze plików, w którym Grok wypadł zdecydowanie najlepiej.
- Porównanie czterech modeli na teście gry typu Flappy Bird — grafika, fizyka, koszt, czas.
- Główna słabość ekosystemu Groka: brak dojrzałego harnessa ogólnego przeznaczenia.
- Rekomendacje narzędziowe: Cursor do kodowania, Grokbot do pracy umysłowej.
- Ocena kondycji konkurencji, w tym spowolnienie tempa wydawniczego Anthropic i spekulacje o Fable 5.1.
(Informacja dodatkowa: „harness” to warstwa aplikacyjna wokół modelu — interfejs, narzędzia, dostęp do przeglądarki, komputera, głosu. Ten sam model w różnych harnessach daje bardzo różne doświadczenie pracy.)
Redakcyjne tłumaczenie
Premiera i obietnice producenta
Grok 4.6 właśnie się ukazał i sprawa jest przesądzona: SpaceX AI jest już firmą z modelem klasy frontier. Elon twierdzi, że można teraz uzyskać jakość powyżej ChatGPT 5.6 i Opusa 5 za ułamek ceny, i to znacznie szybciej. Postanowiłem to sprawdzić i dziś dowiecie się, czy te deklaracje są prawdziwe. Dowiecie się też, czy warto przesiadać się na Grok 4.6, jak go używać i w jakich sytuacjach ten model sprawdza się najlepiej.
Zacznijmy od benchmarków, które sami podają. Niestety uważam, że wszystkie benchmarki są ustawione, więc nie będziemy się nad nimi rozwodzić. Co jednak deklarują? Że model jest równie dobry jak Opus 5 i 5.6 Soul za ułamek ceny. Nie twierdzą, że jest znacznie lepszy ani że to najlepszy model w historii. Mówią: jakość frontier, ale przy dużo lepszym koszcie. I to dobra wiadomość, bo Fable, Opus i 5.6 Soul to modele bardzo, bardzo drogie.
(Informacja dodatkowa: „5.6 Soul” i „Fable 5” to nazwy modeli używane w materiale — odpowiednio z rodziny ChatGPT oraz Claude.)
Gdzie można używać modelu
Na ten moment są dwa miejsca: Cursor i Grok Build. Skłaniam się ku Cursorowi. To znacznie pełniejsze doświadczenie vibe codingu — coś w rodzaju uproszczonej wersji ChatGPT, ale bardzo, bardzo dobrej. Grok Build jest solidny, ale to tylko CLI. Nie ma tam ciekawych funkcji harnessa, których człowiek spodziewa się po narzędziach z sierpnia 2026. Jeśli chcecie korzystać z tego modelu, zdecydowanie polecam Cursora zamiast Grok Build.
Test 1: symulator kolejki górskiej
Przepuściłem model przez słynny test Alexa Finna — pięć różnych zadań. Zestawiłem go z ChatGPT 5.6 Soul i z Fable. Wyniki: pokonał 5.6 Soul w moim benchmarku. Przeszedł przez pięć zadań — poszukiwanie kodu w sieci na zasadzie podchodów, ćwiczenie z debugowania, budowa kilku symulatorów. Wynik był lepszy niż 5.6 Soul, w istotnie krótszym czasie: 18 minut zamiast 24 minut, i za mniej więcej jedną trzecią ceny.
Przejdźmy przez konkretne rezultaty. Pierwszy to symulator kolejki górskiej. Po prawej 5.6, po lewej Grok. Otwórzmy to. Jak widać, zbudował bardzo ładną kolejkę — chyba największą ze wszystkich symulatorów, jakie do tej pory testowaliśmy. Klikam „jedź”. Wygląda świetnie. Niebo robi wrażenie, uwielbiam te barwy zmierzchu, chmury też wypadły ładnie. Kolejka prezentuje się dobrze.
Przechodząc do ChatGPT: powiedziałbym, że wierność graficzna nie jest równie dobra, mniej przyjemna dla oka. Wygląda w porządku, po prostu przyzwoicie. Grok zrobił to za ułamek ceny. Na tym akurat teście zajęło mu to nieco dłużej, ale efekt wyszedł dobrze, a wydaliście dużo mniej pieniędzy.
Test 2: rekonstrukcja strony Apple
Obu modelom podaliśmy stronę Apple z poleceniem: odtwórz ją tak wiernie graficznie, jak tylko potrafisz. Tak wyglądała strona Apple tego dnia — telefon, Air, pozostałe urządzenia, Ted Lasso, Sabrina Carpenter.
Rekonstrukcja Groka: nieźle. Oczywiście nie wygląda to równie dobrze, ale model nie może generować grafik — musi odtworzyć całą warstwę wizualną samodzielnie. Szczerze mówiąc, całkiem przyzwoicie. GPT wypada w porządku, nagłówek podoba mi się bardziej, ale telefony wyszły dość pokraczne, laptop w ogóle nie przypomina laptopa, dolna część strony też nie prezentuje się najlepiej. Grok minimalnie wygrał. Znowu potrzebował trochę więcej czasu, ale był znacznie tańszy.
Test 3: zadanie agentowe na wielu plikach
Dajemy modelowi mnóstwo plików i wysyłamy go na podchody: musi używać różnych narzędzi, żeby znaleźć rzeczy ukryte w CSV-ach, PDF-ach i innych formatach. Tutaj Grok zmiażdżył GPT. Zrobił to w mniej więcej jednej szóstej czasu, za mniej więcej jedną szóstą kosztu, znalazł wszystko i lepiej wykorzystywał narzędzia. GPT nie zdołał znaleźć dwóch elementów.
Test 4: wyszukiwanie błędów
Podajemy świeżą bibliotekę open source z GitHuba i sprawdzamy, ile błędów model wykryje. Oba modele znalazły wszystkie 13 błędów w kodzie. Grok zrobił to szybciej i za mniej więcej połowę ceny. GPT potrzebował około minuty dłużej i mniej więcej dolara więcej.
Ogólnie Grok pokonał GPT dość zdecydowanie, co jest dość zaskakujące.
Starcie z Fable 5
Grok wygrał również z Fable 5. Muszę jednak dodać istotne zastrzeżenie: Grok wygrał dlatego, że Fable 5 odmówił wykonania zadania z podchodami ze względu na zabezpieczenia. Jeśli usunąć ten wynik z zestawienia, jest mniej więcej remis. Z drugiej strony — Fable nie pozwala zrobić wszystkiego, a Grok pozwala.
Grok wygrał przy mniej więcej jednej dziesiątej kosztu i był o minutę szybszy. Fable wygrał w kategorii wierności graficznej, czyli w rekonstrukcji strony Apple. Rekonstrukcja Fable’a: niektóre urządzenia wyglądają naprawdę mocno. Fable zrobił to zadanie szybciej, ale znów za czterokrotnie wyższą cenę. Przy wyszukiwaniu błędów Fable kosztował czterokrotnie więcej i potrzebował dwukrotnie więcej czasu. Ostatecznie Grok pokonał Fable 5, co robi duże wrażenie.
Test 5: czteromodelowe starcie na grze zręcznościowej
Zrobiłem też dodatkowe testy, zestawiając Groka z Opusem, Fable i 5.6 Soul. Mamy symulator lotu, a także test w stylu Flappy Bird.
Wersja Groka wygląda naprawdę ładnie. Są gwiazdy, jest wszystko, jest kolejny poziom — to mi się podoba. Symulacja działa nieco za szybko, a fizyka się sypie: obiekty po prostu się zawalają. Grafika jednak świetna.
Opus 5 też wypada nieźle. Fizyka działa dobrze i to mi się bardzo podoba. Wygląda na to, że nie ma kolejnych poziomów… o, jednak jest kolejny poziom, z nowymi elementami. Tu fizyka też trochę szwankuje, wszystko zapada się, zanim zdąży się cokolwiek zrobić. Powiedziałbym, że graficznie Grok jest lepszy, ale pod względem rozgrywki wygrywa Opus.
Fable 5 wygląda na kompletnie zepsuty. ChatGPT 5.6 Soul prezentuje się bardzo dobrze, grafika mi się podoba — ale przy próbie gry fizyka jest nie w porządku i wszystko się rozjeżdża. To chyba najsłabszy wynik z całej czwórki.
Koszty i czasy: 9 minut dla Groka, czyli dłużej niż 5.6, ale za połowę ceny 5.6. Zdecydowanie najtańszy z całej stawki i moim zdaniem z najlepszym rezultatem. Fable dał najgorszy efekt, był najdroższy i najwolniejszy.
Podsumowanie: co działa, a co nie
Wróćmy do deklaracji producenta. Używałem Groka cały dzień, testowałem w Cursorze i w Grok Build, pokazałem wam wszystkie benchmarki. Wnioski są takie:
Po stronie plusów — wszystkie deklaracje są prawdziwe. Model jest w zasadzie równie dobry jak Opus i ChatGPT 5.6, będąc przy tym znacznie tańszym i znacznie szybszym. To wszystko jest w stu procentach prawdą.
Problem leży gdzie indziej: nie ma dobrego harnessa ogólnego przeznaczenia dla tego modelu. Siłą ChatGPT jest dziś jego aplikacja desktopowa — ma wszystko. Świetnie radzi sobie z kodowaniem, trochę jak Cursor, ale obsługuje też zadania ogólne: bardzo dobrze steruje komputerem, bardzo dobrze steruje przeglądarką. Robi wszystko, czego potrzebujecie do pracy umysłowej, w jednym miejscu.
Grok tego nie ma. Grok ma Cursora. Cursor jest dobry, to bardzo dobra aplikacja, ale zbudowana przede wszystkim do kodowania. Owszem, potrafi też trochę więcej, ale nie tak mocno i nie tak intuicyjnie jak wiele rzeczy w aplikacji ChatGPT.
Jeśli szukacie czystego kodowania, jeśli wasza praca to vibe coding i nic poza tym, jeśli nie używacie AI do całej pracy umysłowej — to prawdopodobnie najlepszy wybór dla was. Dostajecie doskonały model w doskonałej cenie, bardzo szybki, a do kodowania używacie Cursora, który jest w kodowaniu świetny. Problem w tym, że to po prostu nie jest zbyt dobry harness dla agenta ogólnego przeznaczenia.
Jeśli chcecie wykonywać z Grokiem pracę umysłową, najlepszą opcją jest Grokbot. To fantastyczna aplikacja, robiłem jej recenzję wczoraj — obejrzyjcie, jeśli jeszcze nie widzieliście. Jest nastawiona bardziej na pracę umysłową, słabiej radzi sobie z kodowaniem i jest nieco ograniczona przy obsłudze lokalnego komputera i przeglądarki, ale jest bardzo, bardzo dobra.
To właśnie jest dziś wyzwanie Groka. To świetny model, tani i szybki, ale nie ma jeszcze tego rewelacyjnego harnessa — jak aplikacja desktopowa ChatGPT, a w mniejszym stopniu Claude. Aplikacja desktopowa Claude’a jest naprawdę dobra.
Prognoza: Cursor jako Grok Desktop
Nie zdziwiłbym się, gdyby wkrótce całkowicie przemarkowali Cursora na coś w rodzaju Grok Agent albo Grok Desktop. Zespół Cursora zbudował Grokbota i nie nazwał go Cursorbotem, tylko właśnie Grokbotem. Nie zdziwiłbym się więc, gdyby przerobili Cursora na Grok Desktop, żeby był odpowiednikiem aplikacji desktopowej ChatGPT dla SpaceX AI.
A to jeszcze nie wszystko — dochodzą liczne dodatki, które mają ChatGPT i Claude, a których w Cursorze brakuje: głos w ChatGPT, głos w Claude. Dwie rewolucyjne technologie. Aplikacja mobilna: Cursor dopiero co wypuścił swoją, jest bardzo dobra, ale to jeszcze nie poziom aplikacji mobilnych ChatGPT i Claude.
Dla kogo jest Grok
Myślę, że powinno go używać sporo osób. Jeśli wasz workflow to głównie vibe coding, to obecnie najlepszy czysto kodujący model. Buduje równie dobrze jak pozostałe, ale znacznie szybciej i znacznie taniej.
Jeśli natomiast jesteście zaawansowanymi użytkownikami AI i potrzebujecie głosu w ruchu — żeby rozmawiać z agentem i budować rzeczy z dowolnego miejsca, siedzieć przy basenie i wysyłać agentowi polecenia, żeby grzebał w waszym komputerze i robił mnóstwo rzeczy — to potrzebujecie harnessa dla zaawansowanych. Cursor jeszcze tam nie dotarł. ChatGPT tak. Claude w zasadzie też.
Powiem jednak jedno: to, czego SpaceX AI dokonało przez ostatnich kilka miesięcy, jest niesamowite. Grok był daleko w tyle za Claude’em i ChatGPT. Teraz idą łeb w łeb. Są dokładnie tam, gdzie tamci. Dlatego nie zdziwiłbym się, gdyby Cursor stał się Grok Desktopem i dorównał pozostałym narzędziom desktopowym jako harness.
Grokbot jest absolutnie rewelacyjny, wszyscy powinni go używać. Mówiłem to już — to najlepsza aplikacja agentowa AI dla zwykłego użytkownika, jaką testowałem. Znakomita, i tutaj też warto z niej korzystać.
Nadal używałbym ChatGPT, jeśli wykonujecie dużo ogólnej pracy umysłowej i jesteście zaawansowanymi użytkownikami, którzy potrzebują AI na każdym urządzeniu. Claude’a używam obecnie w zasadzie tylko do planowania biznesowego z Fable 5. Uważam, że z perspektywy strategii biznesowej wysokiego szczebla Fable 5 wciąż jest najlepszym modelem. Poza tym nie używam Claude’a dosłownie do niczego innego.
Uwagi o konkurencji
Claude właściwie wypadł z gry na wszystkich poziomach. Mam wrażenie, że aplikacja desktopowa nie zmieniła się od bardzo dawna — jakby minęły całe miesiące, odkąd cokolwiek się w niej ruszyło. Nie wiem, co się dzieje w zespole Claude’a. Wygląda na to, że tempo wydawnicze dramatycznie zwolniło w ostatnich miesiącach.
Zastanawiam się, czy nie chodzi o ograniczenia mocy obliczeniowej. Właśnie podpisali umowę ze SpaceX AI na dużą pulę compute. Może teraz ją wdrażają i będą mogli wydawać szybciej. Nie zdziwiłbym się, gdyby w najbliższych tygodniach nastąpiła u nich eksplozja premier. Nie zdziwiłbym się też, gdyby bardzo szybko pojawił się Fable 5.1 — krąży o tym sporo plotek — i jestem pewien, że wtedy cała ta układanka konkurencyjna stanie na głowie.
Ale w tej chwili, funt za funt, Grok 4.6 to prawdopodobnie najlepszy model do vibe codingu. Jeśli macie ograniczony budżet albo zajmujecie się wyłącznie vibe codingiem, nie ma lepszego wyboru. Ja robię to w Cursorze — weźcie Cursora i używajcie go tam, w Cursorze działa świetnie.
Osobiście nadal będę korzystał również z ChatGPT i Claude’a, bo mam mnóstwo ogólnych zastosowań, które realizuję z agentami AI.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Grok 4.6 to obecnie najlepszy stosunek jakości do ceny w kodowaniu
Na czym polega: W pięciu praktycznych testach autora Grok osiągnął wyniki porównywalne z Opusem 5, GPT-5.6 Soul i Fable 5, przy koszcie od połowy do jednej dziesiątej i zwykle krótszym czasie.
Jak stosować: Jeśli generujecie dużo kodu i płacicie za tokeny, przetestujcie Groka jako model domyślny na tydzień i porównajcie rachunek oraz czas realizacji z dotychczasowym.
Na co uważać: To wnioski z jednego dnia testów jednej osoby, na zadaniach typu „zbuduj symulator”. Wasze obciążenie może wyglądać inaczej — mierzcie na własnych, powtarzalnych zadaniach, a nie na cudzych.
2.Nie ufaj benchmarkom producenta, buduj własny zestaw testów
Na czym polega: Autor otwarcie odrzuca oficjalne benchmarki i posługuje się stałym zestawem pięciu zadań: podchody agentowe, debugowanie, budowa symulatorów, rekonstrukcja strony i gra.
Jak stosować: Zdefiniujcie 3–5 zadań reprezentatywnych dla waszej pracy i przepuszczajcie przez nie każdy nowy model, notując wynik, czas i koszt.
Na co uważać: Zestaw testów musi zostać niezmienny, żeby porównania miały sens. Zapisujcie też wersję harnessa — zmiana narzędzia potrafi zmienić wynik bardziej niż zmiana modelu.
3.Model to nie wszystko — liczy się harness
Na czym polega: Główny zarzut wobec Groka nie dotyczy jakości modelu, lecz braku dojrzałej aplikacji ogólnego przeznaczenia z obsługą komputera, przeglądarki, głosu i urządzeń mobilnych.
Jak stosować: Wybierając narzędzie, oceniajcie parę model + harness łącznie. Zapytajcie siebie, ile czasu tracicie na obejścia braków interfejsu, a nie na słabości samego modelu.
Na co uważać: Świetny model w słabym harnessie potrafi wyjść drożej niż droższy model w dobrym — koszt tokenów to nie jedyny koszt.
4.Cursor do kodowania, Grokbot do pracy umysłowej
Na czym polega: Autor rozdziela zastosowania: Cursor jako pełniejsze środowisko kodowania z Grokiem, Grok Build jako sam CLI bez ciekawych funkcji, Grokbot jako aplikacja do pracy umysłowej.
Jak stosować: Jeśli sięgacie po Groka, zacznijcie od Cursora do kodu i dołóżcie Grokbota, jeśli chcecie w tym samym ekosystemie prowadzić pracę koncepcyjną.
Na co uważać: Grokbot jest ograniczony przy obsłudze lokalnego komputera i przeglądarki. Nie planujcie na nim zadań wymagających kontroli nad środowiskiem lokalnym.
5.Zabezpieczenia modelu to realny koszt operacyjny
Na czym polega: Fable 5 przegrał zestawienie głównie dlatego, że odmówił wykonania zadania agentowego ze względu na zabezpieczenia. Po usunięciu tego wyniku był mniej więcej remis.
Jak stosować: Przy wyborze modelu do zadań agentowych sprawdźcie wcześniej, czy typowe dla was polecenia nie napotykają odmów — jedna odmowa w pipeline potrafi zablokować całą serię.
Na co uważać: Nie odczytujcie tego jako rankingu jakości. Autor sam zaznacza, że bez tej jednej różnicy modele są równorzędne — porażka z powodu odmowy to inna kategoria niż porażka merytoryczna.
6.Grafika i fizyka to dwa różne wymiary jakości generowanego kodu
Na czym polega: W teście gry zręcznościowej Grok dał najlepszą oprawę wizualną, ale rozsypującą się fizykę, podczas gdy Opus 5 wypadł słabiej graficznie, lecz poprawnie symulował ruch.
Jak stosować: Oceniając wygenerowany kod interaktywny, testujcie osobno warstwę wizualną i logikę działania — dobrze wyglądający efekt bywa funkcjonalnie zepsuty.
Na co uważać: Efektowna prezentacja łatwo maskuje błędy logiki. Nie akceptujcie wyniku na podstawie zrzutu ekranu, tylko realnego uruchomienia.
7.Największa przewaga Groka ujawnia się w zadaniach agentowych
Na czym polega: W teście przeszukiwania wielu plików w różnych formatach Grok znalazł wszystko w mniej więcej jednej szóstej czasu i kosztu, a GPT nie odnalazł dwóch elementów.
Jak stosować: Jeśli macie procesy typu przeszukiwanie dokumentacji, ekstrakcja danych z PDF-ów i CSV-ów czy orkiestracja narzędzi, to najbardziej obiecujące miejsce na test Groka.
Na co uważać: Był to pojedynczy test na jednym zestawie plików. Przed migracją całego pipeline’u sprawdźcie zachowanie na własnych, brudnych danych produkcyjnych.
8.Dla zaawansowanego użytkownika mobilnego wybór nadal pada gdzie indziej
Na czym polega: Autor wprost wskazuje, że jeśli potrzebujecie sterowania agentem głosem, z telefonu, w ruchu, ekosystem Groka jeszcze tam nie dotarł — ChatGPT tak, Claude w zasadzie też.
Jak stosować: Zdecydujcie, czy waszym trybem pracy jest kodowanie przy biurku, czy zdalne sterowanie agentem. To ta decyzja, a nie ranking modeli, wskaże właściwe narzędzie.
Na co uważać: To ocena stanu na sierpień 2026 i autor sam przewiduje jej szybkie unieważnienie. Nie budujcie na tym długoterminowych zobowiązań.
9.Rebranding Cursora na Grok Desktop to spekulacja, nie fakt
Na czym polega: Autor przewiduje, że Cursor zostanie przemianowany na Grok Desktop, argumentując, że zespół Cursora zbudował Grokbota i nie nazwał go Cursorbotem.
Jak stosować: Traktujcie to jako sygnał kierunku ekosystemu — warto poznać oba narzędzia, bo prawdopodobnie będą się zbliżać.
Na co uważać: To wyłącznie hipoteza autora, oparta na przesłance nazewniczej. Nie planujcie migracji zespołu w oparciu o produkt, który nie został zapowiedziany.
10.Przewaga cenowa jest krótkotrwała — projektuj pod zmianę modelu
Na czym polega: Autor spodziewa się szybkiej serii premier Anthropic po umowie o moc obliczeniową ze SpaceX AI, w tym możliwego Fable 5.1, który jego zdaniem odwróci obecny układ sił.
Jak stosować: Trzymajcie wybór modelu w konfiguracji, nie w kodzie, żeby przełączenie dostawcy było kwestią jednej zmiennej, a nie przepisywania integracji.
Na co uważać: Uzasadnienie spowolnienia Anthropic ograniczeniami compute to domysł autora, nie potwierdzona informacja. Nie budujcie roadmapy na plotkach o niezapowiedzianych wydaniach.