Grok 4.6 alcanza el n.º 1 en el benchmark de Cursor xAI, pero el margen es estrecho

Grok 4.6 ha obtenido el primer puesto en la carrera del benchmark Cursor xAI, con una puntuación del 70,8 por ciento en su modo de razonamiento Extra High. Elon Musk destacó esa clasificación en una publicación fijada en X, atrayendo atención sobre el último intento de xAI por conquistar a los desarrolladores profesionales.

El resultado es real en la clasificación actual de Cursor, pero la victoria requiere un encuadre cuidadoso. Grok supera a Fable 5 Max por apenas 0,3 puntos porcentuales, y Cursor advierte que las pequeñas diferencias podrían no ser estadísticamente significativas.

Ese estrecho margen crea la tensión central. Grok 4.6 se sitúa en lo más alto de un benchmark construido a partir de sesiones de programación realistas, pero la clasificación no establece una superioridad universal.

El resultado más importante aparece por debajo de la puntuación principal. Grok utilizó menos tokens y menos pasos de agente que sus rivales más cercanos, al tiempo que logró un resultado comparable. Esa combinación presiona a los modelos de programación competidores, especialmente a los que requieren trayectorias de ejecución más largas para un trabajo similar.

También plantea una cuestión más difícil sobre la relación entre Cursor y xAI. CursorBench mide agentes dentro del entorno de Cursor, mientras que Grok 4.6 se entrenó con distintos harnesses de agentes y se lanzó directamente a través de Cursor. Por tanto, la puntuación refleja un sistema de trabajo completo, no un modelo aislado respondiendo preguntas estáticas.

Grok 4.6 llega a la cima de CursorBench

El hecho verificado es un resultado de primer puesto en CursorBench, no una prueba de que Grok 4.6 sea el mejor modelo de programación en todas partes.

xAI lanzó Grok 4.6 el 12 de agosto de 2026. La empresa lo posicionó como un modelo para programación, trabajo de conocimiento, agentes de larga duración y desarrollo de aplicaciones interactivas.

El modelo estuvo disponible a través de Cursor y Grok Build el día de su lanzamiento. Más tarde llegó a GitHub Copilot, ampliando su distribución a otro importante entorno para desarrolladores.

Cursor actualmente sitúa a Grok 4.6 Extra High en primer lugar en CursorBench 3.2. El modelo registra una puntuación de corrección del 70,8 por ciento, con una media de 41.136 tokens y 46 pasos por tarea.

Fable 5 Max le sigue con un 70,5 por ciento. Opus 5 Max alcanza el 70,0 por ciento, mientras que Grok 4.6 High registra un 69,9 por ciento.

Esa distinción entre High y Extra High importa. El material de lanzamiento original de xAI enfatizaba el resultado High, que no ocupó el primer puesto. Fable 5 Max seguía por delante por 0,6 puntos en esa comparación.

Extra High cambia la clasificación. Aplica un mayor esfuerzo de razonamiento y eleva a Grok 0,9 puntos, suficiente para situarlo por encima de Fable y Opus.

La publicación fijada de Musk se centró en esa configuración de mayor esfuerzo. La afirmación subyacente está respaldada por la clasificación en directo de Cursor a fecha del 22 de agosto, aunque la publicación en sí es una amplificación promocional.

El lanzamiento se produjo diez días antes de que apareciera el artículo de WallstreetCN el 22 de agosto. Por tanto, el hecho subyacente no era un nuevo lanzamiento de modelo esa mañana. Era una atención renovada en torno a un resultado de benchmark ya existente.

La mejora del modelo respecto a su predecesor es más clara que la comparación con sistemas rivales. Grok 4.5 High obtuvo un 66,7 por ciento, mientras que Grok 4.6 High alcanzó un 69,9 por ciento.

Eso supone una mejora de 3,2 puntos en el mismo nivel de razonamiento denominado. La configuración Extra High amplía la mejora a 4,1 puntos frente a Grok 4.5 High.

xAI atribuye esos cambios a una ejecución de entrenamiento suplementario más larga. Su lanzamiento de Grok 4.6 describe datos curados generados por modelos, datos de ingeniería, ajuste fino supervisado y aprendizaje por refuerzo en entornos agénticos.

La empresa también utilizó Grok 4.5 para regenerar trayectorias de entrenamiento en varios niveles de razonamiento y harnesses de agentes. Verificaciones basadas en modelos filtraron los rastros que xAI consideró problemáticos.

Esos detalles proporcionan un mecanismo plausible para un mejor comportamiento de los agentes de programación. No verifican de forma independiente cuánto contribuyó cada cambio de entrenamiento al resultado de la clasificación.

La distinción importa porque el gráfico de lanzamiento de xAI mostraba un panorama competitivo mixto. Grok 4.6 obtuvo buenos resultados en varias evaluaciones agénticas, pero no lideró todos los benchmarks.

En DeepSWE 1.1, Grok 4.6 High obtuvo un 65,9 por ciento. GPT-5.6 Sol Max alcanzó un 73 por ciento, mientras que Fable 5 Max llegó al 70 por ciento.

En Terminal-Bench 3.0, Grok registró un 26 por ciento. GPT-5.6 Sol Max y Fable 5 Max superaron ambos el 34 por ciento.

Por tanto, la fila de primer puesto de Grok en CursorBench representa una fortaleza específica. No elimina posiciones más débiles en otras evaluaciones de programación y terminal.

Ese historial más amplio transforma el acontecimiento de una simple victoria en una clasificación en una competencia por el contexto de despliegue. Grok parece más fuerte donde el modelo, las herramientas y el entorno de Cursor trabajan juntos.

Por qué el resultado de Cursor xAI presiona a los agentes rivales

La presión inmediata recae sobre los agentes de programación competidores que requieren más trabajo para alcanzar una calidad de benchmark aproximadamente similar.

Fable 5 Max queda por detrás de Grok 4.6 Extra High por solo 0,3 puntos. Sin embargo, promedia 103.525 tokens y 72 pasos en la misma clasificación.

Opus 5 Max queda por detrás por 0,8 puntos. Utiliza 61.838 tokens y 78 pasos por tarea.

Los 41.136 tokens y 46 pasos de Grok hacen que su recorrido sea notablemente más corto. La diferencia de puntuación es pequeña, pero la diferencia de ejecución no lo es.

Los pasos de agente representan acciones sucesivas dentro del flujo de trabajo de programación. Pueden incluir leer archivos, buscar en un repositorio, modificar código, ejecutar comandos, inspeccionar fallos e intentarlo de nuevo.

Un menor número de pasos no implica automáticamente una mejor experiencia. Algunas tareas premian una verificación adicional, y un agente que se detiene pronto puede pasar por alto defectos ocultos.

Aun así, las trayectorias de ejecución largas generan costes prácticos más allá de la facturación del modelo. Aumentan el tiempo de espera, amplían el contexto, generan más llamadas a herramientas y exponen más oportunidades para que un agente se desvíe.

Por eso el resultado de Cursor xAI presiona a los sistemas de OpenAI, Anthropic y otros desarrolladores de modelos. Su objetivo competitivo ya no es una única puntuación de corrección.

Los desarrolladores valoran cada vez más si un agente de programación termina una tarea sin intervención repetida. También les importan la latencia, las ediciones innecesarias, la fiabilidad de las herramientas y el esfuerzo necesario para revisar los cambios generados.

El propio marco de evaluación de Cursor reconoce esta realidad. La empresa representa la corrección frente a los tokens de finalización porque la calidad y el esfuerzo computacional afectan conjuntamente a la usabilidad.

El resultado de Grok cae en una zona favorable de ese equilibrio. Obtiene una puntuación ligeramente superior a los modelos más cercanos mientras consume sustancialmente menos tokens que Fable 5 Max.

La comparación con GPT-5.6 Sol Max es más complicada. GPT-5.6 Sol utiliza 28.320 tokens y 48 pasos, menos tokens que Grok Extra High, pero obtiene un 67,2 por ciento.

Por tanto, Grok compra 3,6 puntos adicionales de benchmark con un mayor uso de tokens, al tiempo que completa la ejecución con dos pasos medios menos. Que ese intercambio merezca la pena depende de la tarea.

Las configuraciones Medium y High de Grok amplían la presión competitiva. Grok 4.6 Medium obtiene un 67,1 por ciento con 17.942 tokens y 29 pasos.

Esa puntuación casi iguala a GPT-5.6 Sol Max mientras utiliza menos tokens y 19 pasos menos. Grok High alcanza un 69,9 por ciento con 32.449 tokens y 39 pasos.

Esto crea una escalera de rendimiento configurable. Los equipos pueden elegir un razonamiento medio para el trabajo rutinario y reservar Extra High para tareas que requieren una exploración más profunda.

Esa flexibilidad importa para el despliegue empresarial. Una empresa no quiere que cada cambio de nombre, actualización de documentación o reparación de pruebas active el presupuesto máximo de razonamiento del modelo.

Quiere disponer de un esfuerzo más intenso para migraciones de repositorios completos, depuración compleja, cambios de arquitectura y código desconocido. Una familia de modelos que escala entre esos trabajos puede simplificar las herramientas internas.

La presión también alcanza a Cursor. La empresa ofrece modelos de varios desarrolladores, por lo que su credibilidad depende de presentar comparaciones que sigan siendo útiles entre proveedores.

Cursor no puede tratar el liderazgo de un modelo como permanente. El benchmark cambia a medida que los agentes de programación adquieren nuevas herramientas, estrategias de contexto y patrones de ejecución.

CursorBench 3.2 llegó el 8 de julio, añadiendo problemas de seguimiento de instrucciones y uso avanzado de herramientas. Los resultados de versiones anteriores no son directamente comparables porque cambió la distribución de tareas.

Esa actualización continua reduce algunas formas de saturación del benchmark. También significa que un resultado de primer puesto describe una prueba en movimiento, no un registro científico fijo.

Para los compradores, la lección práctica es sencilla. La selección de modelos debe realizarse en el nivel de razonamiento y la configuración de harness que un equipo vaya a desplegar realmente.

Comparar Grok Medium con la configuración máxima de un rival puede responder una pregunta operativa. Comparar todos los modelos con el máximo esfuerzo puede responder otra.

Ninguna de las dos comparaciones capta la revisión de seguridad, la propiedad del código, la fiabilidad de la integración o la aceptación por parte de los desarrolladores. Esos factores determinan si una ventaja de benchmark sobrevive al contacto con un repositorio de producción.

La verdadera competencia es el sistema de agentes, no el modelo base

CursorBench premia a un modelo que trabaja mediante un harness de agentes, por lo que la clasificación mide un sistema integrado en lugar de conocimiento de programación aislado.

Un harness es la capa de software que proporciona a un modelo prompts, herramientas, contexto del repositorio, reglas de ejecución y retroalimentación. Determina qué puede ver el modelo y cómo puede actuar.

Los agentes de programación modernos dependen en gran medida de esta capa. El mismo modelo puede comportarse de forma diferente cuando cambian sus herramientas disponibles, estrategia de búsqueda, prompt de sistema o política de contexto.

CursorBench intenta capturar ese comportamiento integrado. Sus tareas proceden de sesiones reales de Cursor que implican solicitudes ambiguas y cambios en varios archivos.

Cursor afirma que muchas tareas proceden de código interno y fuentes controladas. Ese diseño reduce la exposición a datos públicos de entrenamiento, que pueden inflar los resultados en benchmarks de repositorios abiertos.

La metodología de evaluación de la empresa también utiliza descripciones de tareas intencionadamente breves. Estos prompts se parecen más a las solicitudes habituales de los desarrolladores que a informes de incidencias detallados con criterios de aceptación explícitos.

Los evaluadores agénticos determinan si una solución satisface el resultado previsto. Ese enfoque permite múltiples implementaciones válidas, a diferencia de las pruebas que solo reconocen un parche de referencia.

El diseño responde a varias debilidades de los benchmarks de programación establecidos. Las tareas públicas pueden volverse familiares para los desarrolladores de modelos, y las pruebas estrechas pueden penalizar soluciones alternativas razonables.

Sin embargo, las tareas privadas crean un problema diferente. Los investigadores externos no pueden inspeccionar el conjunto de datos completo, reproducir cada ejecución ni evaluar posibles efectos de selección de tareas.

Cursor publica puntuaciones, recuentos de tokens, recuentos de pasos, configuraciones de modelos y una descripción de su proceso. Eso supone una transparencia significativa, pero no una auditoría independiente totalmente reproducible.

La alianza entre Cursor y xAI añade otra capa de incertidumbre. Grok 4.6 se lanzó dentro de Cursor, y su entrenamiento incluyó trayectorias en distintos harnesses de agentes.

Eso no demuestra una optimización indebida para CursorBench. Sí significa que los objetivos de entrenamiento del modelo y el entorno de agentes de Cursor podrían estar alineados de forma inusualmente estrecha.

Esa alineación puede ser útil para los clientes. Si los desarrolladores planean utilizar Grok dentro de Cursor, el rendimiento en ese entorno específico es más relevante que la pureza abstracta del modelo.

Sin embargo, el resultado no debe generalizarse a todas las interfaces de programación. Grok operando a través de otro editor, un agente de línea de comandos o un harness empresarial personalizado podría seguir una trayectoria diferente.

Cursor considera las pruebas de referencia offline como solo una parte de la evaluación. Complementa CursorBench con experimentos online controlados que utilizan señales reales del producto.

Esos experimentos pueden detectar fallos que un evaluador automatizado pasa por alto. Un parche puede parecer correcto y, aun así, frustrar a los desarrolladores mediante cambios excesivos, explicaciones confusas o malas decisiones de interacción.

Esta es la inversión clave detrás de la afirmación de Musk sobre el primer puesto. La clasificación es importante porque CursorBench se parece al trabajo real, pero ese realismo hace que la puntuación dependa más de Cursor.

Una prueba de referencia pública suele intentar aislar la capacidad del modelo en condiciones estandarizadas. CursorBench, en cambio, pregunta si el agente completo tiene éxito dentro de un entorno concreto, de estilo productivo.

Ambas preguntas importan, pero no son intercambiables. Una informa la ciencia de los modelos, mientras que la otra orienta una decisión de producto.

La estrategia de entrenamiento de Grok 4.6 refuerza esta interpretación a nivel de sistema. xAI afirma que el aprendizaje por refuerzo abarcó programación general, desarrollo web, optimización de kernels y otros entornos agénticos.

El modelo también recibió trayectorias supervisadas regeneradas con distintos niveles de razonamiento y arneses. Ese entrenamiento fomenta comportamientos como la planificación, el uso de herramientas, la recuperación y la verificación.

xAI informa de que Grok realiza más autoevaluaciones en trayectorias largas. Es un comportamiento valioso cuando un agente debe ejecutar código e inspeccionar su propio resultado.

Sigue siendo una observación de la empresa, no una garantía medida de forma independiente. Los desarrolladores deberían verificar si las autoevaluaciones detectan defectos relevantes en lugar de limitarse a añadir actividad.

El enfoque de sistema también explica por qué el liderazgo en las pruebas de referencia puede cambiar rápidamente. Un nuevo método de recuperación o una herramienta de edición puede mejorar el rendimiento efectivo de un modelo sin modificarlo.

A la inversa, una regresión en la gestión del contexto puede hacer que un modelo capaz parezca más débil. Las sesiones largas amplifican pequeños errores de memoria, selección de herramientas y estrategia de recuperación.

Por tanto, la carrera de modelos se está convirtiendo en una carrera de sistemas. Los proveedores compiten mediante entrenamiento, mientras que las empresas de agentes compiten a través de la orquestación, el contexto, las herramientas y la evaluación.

El liderazgo de Grok sugiere que xAI ha optimizado con éxito para ese entorno más amplio. No muestra qué componente produjo la ventaja final.

Lo que las cifras de CursorBench no demuestran

La puntuación de 70,8 % es sólida en términos de tendencia, pero la clasificación no puede respaldar una afirmación universal sobre la calidad de programación.

La primera limitación es estadística. Cursor advierte explícitamente que los resultados están sujetos a variación y que pequeñas diferencias de puntuación pueden carecer de significado estadístico.

La ventaja de Grok sobre Fable 5 Max es de 0,3 puntos. Su ventaja sobre Opus 5 Max es de 0,8 puntos.

Sin intervalos de confianza publicados ni distribuciones de ejecuciones repetidas, los lectores no pueden saber si esas diferencias representan un orden estable. Los tres mejores modelos deberían tratarse como un grupo muy cercano.

La segunda limitación es la cobertura de tareas. CursorBench 3.2 se centra en trabajo ambiguo y multiarquivo procedente de sesiones reales de Cursor.

Eso es más representativo que limitarse a la corrección de errores acotados, pero sigue reflejando a los usuarios, las bases de código, las herramientas y la definición de trabajo exitoso de Cursor.

Una empresa que desarrolla aplicaciones móviles puede obtener resultados distintos a los de un equipo que mantiene infraestructura distribuida. El tamaño del repositorio, la combinación de lenguajes, los sistemas de compilación y la calidad de las pruebas pueden modificar el comportamiento del agente.

La tercera limitación es la privacidad de la prueba de referencia. Las tareas privadas reducen el riesgo de contaminación, pero impiden una inspección independiente amplia.

Los investigadores no pueden comprobar fácilmente si las tareas sobrerrepresentan flujos de trabajo favorables a un arnés concreto. Tampoco pueden inspeccionar cada decisión del evaluador ni reproducir casos controvertidos.

La cuarta limitación es que el razonamiento máximo cambia la experiencia del producto. Extra High mejora la puntuación de Grok, pero también aumenta el uso medio de tokens de 32.449 a 41.136.

El número medio de pasos sube de 39 a 46. Eso representa deliberación y acciones adicionales, aunque la clasificación no publique una distribución completa de latencia.

Los equipos deben decidir si una mejora de 0,9 puntos frente a Grok High justifica el trabajo adicional. El desarrollo rutinario a menudo recompensa más la velocidad y la previsibilidad que una puntuación agregada máxima.

Grok Medium complica aún más la elección. Su puntuación de 67,1 % requiere 17.942 tokens y 29 pasos, menos de la mitad de los tokens utilizados por Extra High.

La diferencia entre Medium y Extra High es de 3,7 puntos. Esto crea una verdadera disyuntiva operativa, no una simple instrucción de seleccionar la configuración de razonamiento más alta.

La quinta limitación procede del rendimiento entre distintas pruebas de referencia. Grok no lidera Terminal-Bench 3.0 ni DeepSWE 1.1 en la comparación publicada por xAI.

Terminal-Bench evalúa el trabajo de agentes basado en terminal bajo un arnés y una distribución de tareas diferentes. DeepSWE mide otra faceta de la capacidad de ingeniería de software.

Estos resultados muestran que las clasificaciones de modelos dependen del entorno. Un sistema que destaca dentro de Cursor puede quedar por detrás de competidores cuando cambian las herramientas, los prompts, las tareas o los evaluadores.

Los informes de usuarios reales aportan contexto, pero no evidencia controlada. Algunos desarrolladores describen ediciones bien acotadas y una planificación competente con Grok 4.6.

Otros informan de cambios excesivos de archivos, ejecuciones largas o cambios inesperados entre versiones del modelo. Estas anécdotas identifican casos de prueba útiles, pero no pueden establecer tasas generales de fallos.

Por tanto, las organizaciones deberían realizar evaluaciones específicas para sus repositorios. Una prueba útil incluiría tareas de mantenimiento conocidas, trabajo en nuevas funciones, pruebas fallidas, migraciones y solicitudes deliberadamente poco especificadas.

Los revisores deberían registrar cambios aceptados, defectos que llegan a producción, tiempo de finalización, ediciones innecesarias y esfuerzo de corrección humana. Los totales de tokens por sí solos no pueden reflejar esos resultados.

La seguridad merece una medición aparte. xAI afirma que Grok 4.6 recibió sus pruebas de salvaguardas previas al despliegue más amplias, incluido trabajo relacionado con el parcheo de vulnerabilidades.

Esa afirmación no sustituye los controles de una organización. Los agentes de programación pueden acceder a código fuente sensible, ejecutar comandos y proponer cambios que afecten a sistemas de producción.

Los equipos necesitan límites de permisos, requisitos de revisión, registros y pruebas independientemente de la clasificación del modelo. Una mayor precisión en pruebas de referencia no elimina el riesgo operativo.

La misma cautela se aplica al trabajo de conocimiento más allá de la programación. Grok 4.6 admite una ventana de contexto de 500.000 tokens, según las notas de lanzamiento de la API.

Una gran ventana de contexto permite al modelo ingerir más material. No garantiza que el modelo recupere todos los hechos relevantes ni conserve las instrucciones durante una sesión larga.

Los contextos largos también pueden contener documentos contradictorios, decisiones obsoletas e información sensible. El uso eficaz sigue exigiendo una selección cuidadosa de fuentes y verificación.

Por tanto, la afirmación del primer puesto se interpreta mejor como una señal sólida de producto. Grok figura entre los principales agentes de programación y su perfil de eficiencia merece atención.

La afirmación no debería convertirse en una recomendación generalizada. Los equipos necesitan evidencia de sus propios repositorios, herramientas, normas de seguridad y prácticas de revisión.

Tres señales mostrarán si el liderazgo de Grok perdura

La próxima prueba es si la ventaja de Grok en pruebas de referencia sobrevive en entornos independientes, configuraciones normales de razonamiento y uso sostenido por parte de desarrolladores.

La primera señal es el rendimiento fuera de Cursor. Grok 4.6 estuvo disponible en GitHub Copilot el 14 de agosto, dos días después de su lanzamiento más amplio.

Ese despliegue ofrece a los desarrolladores otro entorno para probar el mismo modelo. Copilot utiliza prompts, herramientas, interfaces y decisiones de gestión del contexto diferentes.

Resultados consistentemente sólidos allí respaldarían la idea de que las mejoras de Grok pertenecen principalmente al modelo. Una caída pronunciada reforzaría la explicación de alineación con el arnés.

Las evaluaciones públicas también deberían probar Grok con marcos de agentes estandarizados. Las ejecuciones repetidas y las distribuciones publicadas aclararían si su estrecha ventaja en CursorBench es estable.

La segunda señal es la adopción de los modos de razonamiento Medium y High. Extra High genera el titular, pero a la mayoría de los equipos les importará la fiabilidad y capacidad de respuesta cotidianas.

Grok Medium ya se acerca a GPT-5.6 Sol Max en CursorBench con una ruta de ejecución más corta. Eso puede resultar más relevante que el primer puesto con esfuerzo máximo.

Los patrones de uso podrían mostrar qué configuración mantienen los desarrolladores después de experimentar. Las reducciones frecuentes desde Extra High sugerirían que la latencia o el consumo de recursos superan su ventaja de puntuación.

El uso sostenido de High o Extra High en trabajo complejo contaría una historia diferente. Indicaría que los desarrolladores perciben suficiente valor en un razonamiento más profundo como para aceptar ejecuciones más largas.

La tercera señal es el movimiento en las evaluaciones online de Cursor. Cursor afirma que sus experimentos en vivo rastrean señales de interacción y calidad de resultados que los evaluadores offline pueden pasar por alto.

Si Grok mejora la finalización de tareas al tiempo que reduce correcciones, prompts repetidos y ejecuciones abandonadas, el resultado de la clasificación ganará credibilidad práctica.

Si el comportamiento online sigue siendo desigual, la puntuación de 70,8 % parecerá más un pico específico de la prueba de referencia. Cursor no ha publicado suficiente detalle a nivel de producto para resolver esa cuestión.

Las respuestas competitivas importarán durante el mismo periodo. OpenAI, Anthropic, Cursor y otros desarrolladores pueden modificar con rapidez modelos, controles de razonamiento, herramientas y orquestación.

Un rival no necesita superar a Grok únicamente en la misma puntuación. Puede competir mediante una ejecución más rápida, mejor comportamiento de revisión, planes más claros o menos cambios innecesarios.

Cursor también puede actualizar su conjunto de tareas. La prueba de referencia ya pasó de la versión 3.1 a la 3.2 a medida que se expandían las capacidades de los agentes.

Una nueva versión podría cambiar las clasificaciones al añadir tareas más largas, exigencias de verificación más estrictas o mayor interacción con servicios externos. Esos cambios pondrían a prueba si la ventaja de Grok se generaliza.

Para los desarrolladores, la respuesta adecuada no es ni el descarte ni la migración automática. Grok 4.6 se ha ganado una evaluación seria dentro de flujos de trabajo reales.

Empiece con tareas cuyos resultados correctos se conozcan. Compare las configuraciones Medium, High y Extra High utilizando el mismo estado del repositorio y los mismos criterios de aceptación.

Registre con qué frecuencia cada ejecución necesita corrección humana. Compruebe si el agente edita solo archivos relevantes, ejecuta pruebas significativas y explica la incertidumbre residual.

Mantenga notas de pruebas de referencia junto a las decisiones de arquitectura y las evaluaciones de modelos. Una base de conocimientos de ingeniería consultable puede conservar prompts, resultados, fallos y valoraciones de los revisores.

El titular de Cursor y xAI identifica a un líder creíble dentro de un entorno importante. La siguiente decisión corresponde a los desarrolladores: ¿Grok seguirá siendo el primero cuando se enfrente a su código, herramientas y estándares?