比較各家 AI 的基準分數意義有限——數字每幾個月就被刷新一次，而且多數任務上的差距小於使用者提問方式造成的差距。本篇因此不比分數，只比結構性差異：那些不會因為下一次版本更新就消失的東西。按這個標準，Grok 與其他主流 AI 的差別其實只有三項。
📖 三項結構性差異
一、X 的資料存取（Grok 獨有）
這是唯一一項其他家無法靠改進模型追上的差異，因為它來自公司結構：Grok 與 X 同屬一家公司。其他 AI 要讀 X 的內容只能靠一般網頁檢索撿到零星轉載。
具體能力（官方 x_search）：關鍵字、語意、使用者、討論串四種檢索；可限定最多 20 個帳號；可限定日期範圍；可開啟圖片與影片理解——影片理解是 X 檢索獨有。
這項優勢只在你真的需要 X 資料時才存在。 多數人選 Grok 的理由是「聽說它能上 X」，但實際要做的任務根本用不到。
二、內容政策較寬鬆（雙面）
Grok 較少拒答。對某些研究與創作用途這是優點；對嵌入對外產品則是風險——它的失控紀錄比同類長，見 限制與注意。
這一項不是「哪家比較好」的問題，是「你的場景容不容許」的問題。
三、生態位置
Grok 的模型也在 Microsoft Azure、GitHub Copilot、Amazon Bedrock 與 Cursor 上提供。API 與 OpenAI SDK 相容，換 base URL 與模型名即可。
相容性降低了嘗試成本，也降低了離開成本——這一點對選型反而是好消息：你可以先接上去試，不合適時換回來的代價很低。
📖 一張選型對照表
| 你的需求 | 建議 | 理由 |
|---|---|---|
| 追蹤 X 上的輿論或事件 | Grok | 唯一有結構化 X 檢索的 |
| 解釋 X 上的梗與脈絡 | Grok | 語料優勢 |
| 即時事件的第一輪掃描 | Grok，但要配紀律 | 快，但錯誤資訊密度也最高 |
| 長文件處理 | 看脈絡長度與價格 | grok-4.3 有 1M 脈絡且便宜，值得比價 |
| 需要穩定內容政策的對外產品 | 不建議 Grok | 失控紀錄與系統提示事件 |
| 有合規要求（SOC 2／GDPR 等） | 不建議 Grok | Grok Bot 推出時無相關聲明 |
| 商用視覺素材 | 不建議 Grok | 生圖的政策與法律風險 |
| 一般文字任務 | 無結構性差異 | 回到價格、生態與熟悉度 |
| 程式 | 無結構性差異 | 各家都在快速變動，以自己的實測為準 |
「無結構性差異」那兩列佔了多數實際用途。 這不是說 Grok 不好，而是說在那些用途上，選型不該由「哪家模型比較強」決定——該由價格、你既有的工作流、以及團隊熟悉度決定。
📖 價格的比較基準
比價時最常見的錯誤是只看每百萬 token 的牌價。三個會改變結論的因素：
脈絡階梯。 Grok 的 200k 懸崖是整筆雙倍計價，不是只算超出部分。若你的輸入長度在這個邊界附近浮動，實際單價可能接近牌價的兩倍。
工具費。 x_search 按抓回的貼文數計費（每 1,000 則 5 / 1k 次。這些在牌價表上看不到，但在帳單上很明顯。
快取與批次。 快取輸入的折扣幅度很大（grok-4.7 為 2.00），批次 API 八折。重複性高的工作負載，實際成本可以遠低於牌價。
正確的比價方法：用你自己的真實工作負載跑 10 次，記錄 usage，算出單次平均成本——各家都這樣做一次，再比較。牌價比較在有工具呼叫的場景下幾乎沒有參考價值。
📖 一個務實的組合策略
不必只選一家。 由於 API 相容性高，混用的成本比多數人想像的低：
需要 X 即時資料的查詢 → Grok（x_search）
需要穩定政策的對外輸出 → 另一家
一般內部文字任務 → 比價後選便宜的
敏感資料 → 本地或有合規聲明的供應商
這個組合的真正價值不在省錢，在避免單點故障。 2025 年 7 月土耳其封鎖 Grok 的事件說明了一件事：AI 供應商可能因為非技術原因突然不可用。若你的產品只接一家，那就是你的可用性問題。
📖 誠實的但書
本篇刻意不比較各家的能力分數，原因有三：
分數變動太快。 任何我寫下的排名，在讀者看到時多半已經過期。
我沒有做受控測試。 要負責任地比較能力，需要在同一組任務、同一組提示下測量，而我沒有做這件事。引用別人的評測又會帶進那些評測自己的偏差。
差距小於提問方式的影響。 在多數日常任務上，換一種提問方式造成的輸出品質差異，比換一家模型大。
因此本篇只處理不會過期的部分。 要比能力，請用你自己的真實任務測——這也是唯一不會誤導你的方法。
🧠 重點整理
只有三項結構性差異：X 資料存取、內容政策較寬鬆、生態位置。其餘差距會隨版本更新而變動。
X 資料存取是唯一無法被其他家追上的，因為它來自公司結構而非模型能力。
這項優勢只在你真的需要 X 資料時才存在——多數人用不到。
內容政策寬鬆不是好壞問題，是場景容不容許的問題。
API 相容性降低了離開成本，所以先試再決定的代價很低。
牌價比較在有工具呼叫時幾乎沒有參考價值，要用真實負載跑 10 次再比。
混用多家的主要價值是避免單點故障，不是省錢。
本篇不比能力分數，因為會過期、我沒做受控測試，而且差距小於提問方式的影響。
✍️ 動手做
做一次屬於你自己的選型測試，約一小時：
- 從你實際的工作裡挑三個代表性任務（不要用網路上的測試題）。
- 在你正在考慮的每一家上各跑一次，用完全相同的提示。
- 記錄三件事：輸出品質（你自己判斷）、單次成本（看 usage）、延遲。
- 針對其中一個任務，在同一家模型上換三種提問方式再跑。
- 比較第 3 步的跨模型差距與第 4 步的跨提示差距。
第 5 步通常會改變你的結論。 如果跨提示的差距比跨模型大——而這很常見——那麼「該選哪家」就不是你最該花時間的問題。
🔗 資料來源
- xAI 開發者文件 — X Search、價格、快速開始——
x_search能力、價目與階梯規則、OpenAI SDK 相容性（一手，2026-10-22）。 - 英文維基百科 — Grok (chatbot)——Azure／GitHub Copilot／Amazon Bedrock／Cursor 的供應管道；2025-07 土耳其封鎖事件。
- 本篇的選型建議與組合策略是我的判斷，非官方建議，亦未經受控測試驗證。見 主張 vs 可佐證。