Grok 4.20 多智能體：完整規格、定價、API 存取與使用案例（2026）
Grok 4.20 Multi-Agent 將 Grok 4.20 系列拓展到這一類工作負載：單一模型的單次回覆不足以完成任務。研究可以拆分給多個協作代理並行推進，再將各自的成果整合成最終結果。至 2026 年 9 月，Gate.AI 將該模型的定位重點放在深度研究、複雜規劃、多步推理和工具編排。它在評估時是否與標準 Grok 4.20 一致，取決於兩者目標的差異：標準 Grok 4.20 面向更廣泛的推理與「代理型」工作負載，而不是並行多代理執行。
Grok 4.20 Multi-Agent 是什麼？
Grok 4.20 Multi-Agent 是 xAI 的一款專用 Grok 變體：多個代理可以在同一任務中並行協作。xAI 目前的文件將 grok-4.20-multi-agent-0309 描述為深度研究工作流的測試版模型；而 Gate.AI 則將其列出的變體描述為：以並行方式派發子代理進行深度研究、多步推理和工具編排。
這種差異在搜尋意圖上很關鍵。現有的 Grok 4.20 模型指南 涵蓋的是更通用的推理模型。當工作流程能受惠於將複雜目標拆解成並行研究或推理分支並協調這些結果時，Grok 4.20 Multi-Agent 應是更合適的選擇。
它不應該只是被理解為標準 Grok 4.20 的另一個名稱。
Grok 4.20 Multi-Agent 的關鍵規格與定價是什麼？
Gate.AI 與 xAI 目前分別針對各自的接入路徑發布了不同規格。因此，兩者應保持區分，不能當作可互換的數值。
| 規格 | Gate.AI 列表 | xAI 直連 |
|---|---|---|
| 供應商 | xAI | xAI |
| 模型 ID | xai/grok-4.20-multi-agent |
grok-4.20-multi-agent-0309 |
| 發布／參考日期 | 2026年3月31日 | 0309 模型修訂 |
| 上下文視窗 | 2M tokens | 1M tokens |
| 輸入價格 | $4 / 1M tokens | $1.25 / 1M tokens（低於長上下文門檻） |
| 快取輸入 | $0.40 / 1M tokens | $0.20 / 1M tokens |
| 輸出價格 | $12 / 1M tokens | $2.50 / 1M tokens（低於長上下文門檻） |
| 長上下文定價 | 模型卡上未單獨展示 | $2.50 輸入 / $0.40 快取 / $5 輸出：每 1M（當≥200K 提示詞 tokens） |
| 核心定位 | 深度分析、複雜規劃、多代理工作流程 | 用於深度研究的並行代理 |
依 Gate.AI 列出的費率計算：一個消耗 100,000 輸入 tokens 且產出 10,000 輸出 tokens 的工作負載，大約會花費：
(100,000 / 1,000,000 × $4) + (10,000 / 1,000,000 × $12) = $0.52
這是未考慮快取或其他與帳號相關條件前的示例計算。
Grok 4.20 Multi-Agent 能在生產環境中做什麼，從而體現其價值？
它在生產環境中的主要優勢是 並行任務拆解。與其強迫單一路徑依序調查大型問題的每個部分，不如讓多代理工作流程分別承擔獨立的研究或分析職責，並將結果合併。xAI 也明確將該變體定位為：協作代理執行深度研究任務。
例如，一套盡職調查工作流程可以把技術文件審閱、市場數據研究、競爭對手分析與矛盾核查拆分到不同工作流程中。其價值不只是「更多推理」，而是能把複雜目標組織成可並行展開的工作。
該模型也支援函式呼叫、結構化輸出，並能依照 xAI 文件進行推理。這些能力使得當子代理必須與外部工具互動，並以可預測的格式回傳資訊時，該變體特別適用。
這種專門化也帶來一個作業維運取捨：多代理協作可能比直接單一模型請求消耗更多 tokens 與編排能力。團隊應把它保留給那些「並行拆解」確實能帶來顯著價值的任務。
Grok 4.20 Multi-Agent 支援哪些模態（Modalities）？
xAI 文件對目前多代理模型的輸入給出了文字與影像，並以文字輸出。Gate.AI 的模型卡主要強調其推理與代理能力，而非逐一細化每種輸入格式。
| 模態 | 狀態 | 備註 |
|---|---|---|
| 文字輸入 | 支援 | 適用於提示、文件、指令與研究類任務 |
| 影像輸入 | xAI 已記錄 | xAI 將影像列為可接受的模態 |
| 文字輸出 | 支援 | 主要產出輸出 |
| 結構化輸出 | xAI 已記錄 | 適用於機器可讀的代理結果 |
| 音訊輸入／輸出 | 未確認 | 不要從其他 Grok 產品推斷 |
| 影片輸入／輸出 | 未確認 | 未在該精確變體中記錄 |
| 影像生成 | 未確認 | 與「影像理解」能力不同 |
多代理行為屬於一種編排能力，而不是額外的媒體模態。
Grok 4.20 Multi-Agent 可能在哪些方面不夠理想？
首先要考量的是成本效率。若任務不需要並行調查，使用一般推理模型可能更便宜，且在維運上更簡單。
其次是吞吐量。xAI 目前為多代理變體記錄了更低的基本限速：Tier 0 下每秒 9 次請求、每分鐘 2.5 million tokens；而標準 Grok 4.20 推理為每秒 37 次請求、每分鐘 10 million tokens。
此外，平台之間也存在規格差異：Gate.AI 列出 2M 上下文視窗，而 xAI 直接在 grok-4.20-multi-agent-0309 的文件中記錄為 1M。若要套用於規劃請求規模，應依據你實際使用的接入路徑限制進行設定，而不是假設這些數值可互換。
公開文件也沒有說明多代理輸出會自動可靠。研究結果仍需要來源驗證，並在涉及事實正確性時進行人工複核。
Grok 4.20 Multi-Agent 最適合用於什麼？
當工作負載確實能被拆分為並行子任務時，該模型最適合：多來源研究、技術盡職調查、複雜規劃、競爭性假設分析、大規模文件調查，以及借助工具的研究流水線。
當存在多條彼此獨立的調查線索可同時進行，且最終需要合併成一個綜合結論時，選擇 Grok 4.20 Multi-Agent。
當請求很短、需要按順序執行、對延遲敏感，或請求量足夠大導致多代理編排帶來成本但並不提升決策效果時，考慮改用其他模型。
對於不需要顯式並行代理的標準推理情境，更廣泛的 Grok 4.20 模型仍是更清楚的對照選擇。
Grok 4.20 Multi-Agent 與 Grok 4.20、Grok 4.5 如何對比？
這些模型在推理與代理導向的工作上有重疊，但在部署決策上有所不同。
| 模型 | 主要差異 | 上下文 | 最佳適配情境 |
|---|---|---|---|
| Grok 4.20 Multi-Agent | 並行協作代理 | Gate.AI: 2M；xAI: 1M | 深度研究與可拆解的複雜任務 |
| Grok 4.20 | 通用推理與代理型工作流程 | Gate.AI: 2M | 單模型長上下文推理 |
| Grok 4.5 | 更新一代的前沿推理模型 | 500K | 編程、STEM、工具使用與通用高階推理 |
因此，這個選擇更偏向架構層面，而不僅是世代差異。當並行工作本身就很有價值就選擇 Multi-Agent；當單一推理流程足以涵蓋需求就選擇標準 Grok 4.20；當工作負載更優先考量更新一代的通用 xAI 推理模型時，則可考慮 Grok 4.5。
我如何透過 Gate.AI 存取 Grok 4.20 Multi-Agent？
Gate.AI 提供了一個針對 Grok 4.20 Multi-Agent 的、已記錄的 Responses API 工作流程。已記錄的端點是：
POST https://api.gate.ai/openai/v1/responses
驗證使用 Gate.AI API key，並放在 Bearer 授權標頭中。重要的是：儘管目錄列表將模型標識為 xai/grok-4.20-multi-agent，但模型卡 API 範例在請求體中仍使用 grok-4.20-multi-agent。
Python
import osimport requestsurl = "https://api.gate.ai/openai/v1/responses"headers = {"Authorization": f"Bearer {os.environ['GATEAI_API_KEY']}","Content-Type": "application/json",}payload = {"model": "grok-4.20-multi-agent","input": "Research the main technical risks in this architecture and summarize the findings.","max_output_tokens": 512,}response = requests.post(url, headers=headers, json=payload)response.raise_for_status()print(response.json())
cURL
curl --location "https://api.gate.ai/openai/v1/responses" \--header "Authorization: Bearer $GATEAI_API_KEY" \--header "Content-Type: application/json" \--data '{"model": "grok-4.20-multi-agent","input": "Compare the major technical approaches to this problem and summarize the evidence.","max_output_tokens": 512}'
這些範例遵循目前模型卡中記錄的、針對模型的 Gate.AI Responses API 路由、驗證方式、模型識別符、input 與 max_output_tokens 欄位。文件中也透過 "stream": true 說明了串流輸出。
常見問題
Grok 4.20 Multi-Agent 是否與 Grok 4.20 不同？
是的。Multi-Agent 變體被明確定位為多個代理協作並行執行，而標準模型則具有更廣泛的推理與代理型定位。
它的上下文視窗是多少？
Gate.AI 目前列出的是 200 萬 tokens，而 xAI 的直接文件對 grok-4.20-multi-agent-0309 列出 100 萬 tokens。請使用你所選平台文件中記錄的限制。
透過 Gate.AI 存取需要多少錢？
依 Gate.AI 的模型卡，價格是 輸入每 100 萬 tokens $4、輸出每 100 萬 tokens $12、快取輸入每 100 萬 tokens $0.40。
支援圖片嗎？
xAI 在其目前的 Grok 4.20 Multi-Agent 模型文件中記錄：支援文字與影像輸入，並以文字輸出。
什麼時候應該使用 Multi-Agent 版本？
當複雜問題能從多個研究或推理路徑並行運作中受益時就使用它。對於直接順序的推理，標準推理模型可能會提供更單純、更具成本效益的工作流程。
