Grok 4.5 และ GPT-5.6 เปิดตัวห่างกันแค่หนึ่งวัน กลายเป็นศึกชิงรีวิวระหว่างคะแนนโค้ดดิ้งแบบ agentic 91.9% ของ OpenAI กับดีลท้าชนราคาชั้นนำของ SpaceXAI ที่ตั้งค่าบริการเพียง $2 ต่อหนึ่งล้านโทเคน
ประเด็นสำคัญ:
- GPT-5.6 Sol นำหน้าส่วนใหญ่ในเบนช์มาร์กแบบตัวต่อตัว ขณะที่ Grok 4.5 กดดันด้วยราคา ความเร็ว และการใช้โทเคนที่ประหยัดกว่า
- ผู้ทดสอบอิสระจัดอันดับ Grok 4.5 ไว้ที่สี่ด้านความฉลาด และชี้อัตรา “หลอน” (hallucination) เพิ่มเท่าตัวแตะ 54%
- นักรีวิวเลือก GPT-5.6 สำหรับงานเขียนและรันโค้ดชุดยาว ส่วน Grok 4.5 เด่นในงานปริมาณมากที่ต้องคุมงบ
เบนช์มาร์ก Grok 4.5 ปะทะ GPT-5.6
SpaceXAI ปล่อย Grok 4.5 เมื่อ 8 ก.ค. ก่อนที่ OpenAI จะตอบโต้ในวันถัดมาด้วย GPT-5.6 ซึ่งเป็นตระกูลโมเดลที่จับคู่รุ่นธง Sol กับรุ่นประหยัดกว่าอย่าง Terra และ Luna บริษัทเบนช์มาร์ก Artificial Analysis จัดอันดับ Grok ตัวใหม่ให้อยู่ที่อันดับสี่ใน Intelligence Index ด้วย 54 คะแนน ตามหลัง Claude Fable 5, GPT-5.5 และ Opus 4.8
เมื่อลองจับคู่ตรง ๆ ผลออกมาเอนเอียงไปทาง OpenAI หนึ่งในตารางคะแนนชั่วคราว ประเมิน GPT-5.6 Sol ไว้ที่ 86 คะแนน เทียบกับ Grok 4.5 ที่ 82 จุด โดยช่องว่างหลักมาจากงาน agentic บนเทอร์มินัลที่ Sol ทำได้ 91.9% เทียบกับ 83.3% ขณะที่คะแนนเฉลี่ยด้านการเขียนโค้ดแทบไม่ต่างกันที่ 64.7 ต่อ 64.6
OpenAI ระบุ ว่าเมื่อเปิดโหมด reasoning เต็มที่ Sol ทำสถิติ 80 คะแนนบน Coding Agent Index ของผู้ประเมินอิสระ ขณะที่ Grok 4.5 อยู่ที่ 76 เมื่อรันในแวดล้อม Grok Build ของตัวเอง อย่างไรก็ดี ตัวเลขด้านเศรษฐศาสตร์กลับสวนทาง Grok คิดราคา $2 ต่อหนึ่งล้าน input โทเคน เทียบกับ Sol ที่ $5 และงานโค้ดดิ้งจบชิ้นหนึ่งใช้ต้นทุนเพียง $2.49 ขณะที่ Fable 5 แตะ $11.80
อ่านเพิ่มเติม: เม็ดเงินเดิมพัน Dodgers แตะ $68 ล้าน เมื่อ Polymarket และ Kalshi เกาะกระแสเพลย์ออฟเบสบอล
สมรภูมิโค้ด งานเขียน และงานประจำวัน
รายงานจากการใช้งานจริงสะท้อนภาพเดียวกัน ฮาร์เนสทดสอบระยะยาวชุดหนึ่ง พบว่า Sol ปิดงานจริงบนคลังโค้ดกว่า 100 โปรเจ็กต์ได้สำเร็จ 63.7% โดยไม่สะดุดกับข้อผิดพลาดระหว่างทาง และยังเกาะตามเช็กลิสต์หลายขั้นตอนที่ยุ่งเหยิงได้อยู่หมัด ขณะที่แบบทดสอบโค้ดดิ้งอิสระอีกชุด ให้คะแนน Sol ที่ 92 จาก 100 ส่วน Grok 4.5 ได้ 87 ใกล้เคียงโมเดลน้ำหนักเปิดระดับหัวแถว
ฝั่งคอนเทนต์ นักเขียนจำนวนมากเอนมาทาง GPT-5.6 เช่นกัน ผู้ทดสอบระยะแรก บรรยาย ว่า Sol กลายเป็น “ตัวขับหลัก” สำหรับงานประจำวัน ครอบคลุมงานความรู้รูทีนราว 80% และปฏิบัติตามคู่มือสไตล์ (style guide) ได้เคร่งครัดกว่าคู่แข่ง
Grok 4.5 ตอบโต้ด้วย “ความเร็วและวินัย” นักรีวิวที่ลองรันงานจริง รายงาน ว่าได้บิลด์ชุดแรกที่ค่อนข้างสะอาด โครงสร้างเอาต์พุตน่าเชื่อถือ และเวลาตอบสนองต่ำกว่า 5 วินาที โดยเคลมความเร็วราว 80 โทเคนต่อวินาที จุดสะดุดอยู่ที่ความแม่นยำ เพราะอัตรา hallucination จากการวัดจริงพุ่งจาก 25% เป็น 54% แม้ความถูกต้องเชิงข้อเท็จจริงจะขยับขึ้นมาอยู่ที่ 52%
คำตัดสินจากผู้เชี่ยวชาญ และคำถามเรื่องความน่าเชื่อถือ
อีลอน มัสก์ โปรโมต Grok 4.5 ว่าเป็น “โมเดลระดับ Opus แต่เร็วกว่า ใช้โทเคนน้อยกว่า และต้นทุนถูกกว่า” นักวิเคราะห์บางราย มองว่า ช่องว่างด้านราคาสำคัญกว่าช่องว่างด้านคะแนน เพราะ Grok ใช้โทเคนเฉลี่ย 1.9 ล้านต่อหนึ่งงาน เทียบกับ Fable 5 ที่เผาไปถึง 7.2 ล้าน
ด้านผู้ไม่เห็นด้วยก็มีประเด็นให้ตั้งข้อสังเกต นักรีวิว ชี้ ว่าคะแนนตอนเปิดตัวหลายส่วนมาจากการรายงานโดยผู้ขายเอง ยังไม่มีการปล่อย model card และที่สำคัญ Cursor ต้องถอนเบนช์มาร์กภายในชุดหนึ่งออก หลังพบว่า Grok ถูกเทรนทับลงบนโค้ดเบสของบริษัทโดยไม่ตั้งใจ ขณะที่ GPT-5.6 ก็ไม่ได้ไร้มาตรากำกับของตัวเอง เพราะ system card ของ OpenAI ยอมรับ ว่าโมเดลรุ่นนี้มีแนวโน้ม “หลุดกรอบคำสั่ง” บ่อยกว่ารุ่นก่อนหน้า
ศึกครั้งนี้ปิดฉากช่วงเวลาโกลาหลในอุตสาหกรรมพอดี: SpaceX ควบรวม xAI เมื่อเดือนกุมภาพันธ์ ก่อนทุ่ม $60,000 ล้านซื้อ Cursor ในเดือนมิถุนายน และรีแบรนด์ห้องแล็บเป็น SpaceXAI ก่อนหน้า Grok 4.5 เปิดตัวเพียงสองวัน ด้าน OpenAI ใช้เวลาปลายมิถุนายนไปกับการให้ Sol ผ่านการทบทวนจากภาครัฐ ขณะที่ Fable 5 ของ Anthropic ซึ่งยังครองตำแหน่งผู้นำบนกระดานเบนช์มาร์ก เพิ่งกลับมาออนไลน์เมื่อ 1 ก.ค. หลังพักให้บริการนาน 19 วัน
อ่านต่อ: อีเธอเรียมไล่บิตคอยน์ จับตาเคสขาขึ้นปี 2026 ของ Tom Lee