xAI 在 2026 年 7 月 8 日正式发布了最新模型 Grok 4.5，同时公布了四项编程基准测试结果与一张效率对比图表。这些数据极具参考价值，显然是经过精心挑选的。我们不必急于查看排行榜更新，先来深入分析这些数据究竟说明了什么、来源何处、缺失了哪些信息，以及如何自行运行评估测试。
一句话概括：Grok 4.5 在基准测试中的表现，堪称实力强劲的第二梯队编程模型，与 Claude Opus 4.8 互有胜负，但与顶尖模型相比仍存在差距。它最突出的亮点并非准确率，而是输出效率。
xAI 官方发布的核心数据一览
根据官方公告，xAI 提供了四张图表，具体数据如下：
DeepSWE 1.0 (pass@1)
| 模型 | 得分 |
|---|---|
| Claude Fable 5 (max) | 66.1% |
| GPT 5.5 (xhigh) | 64.31% |
| Grok 4.5 | 62.0% |
| Claude Opus 4.8 (max) | 55.75% |
| Claude Opus 4.7 (max) | 40.12% |
DeepSWE 1.1
| 模型 | 得分 |
|---|---|
| Claude Fable 5 (max) | 70% |
| GPT 5.5 (xhigh) | 67% |
| Claude Opus 4.8 (max) | 59% |
| Grok 4.5 | 53% |
| GLM 5.2 | 44% |
Terminal Bench 2.1
| 模型 | 得分 |
|---|---|
| Claude Fable 5 (max) | 84.3% |
| GPT 5.5 (xhigh) | 83.4% |
| Grok 4.5 | 83.3% |
| Claude Opus 4.8 (max) | 78.9% |
| Claude Opus 4.7 (max) | 78.9% |
SWE Bench Pro (解决率)
| 模型 | 得分 |
|---|---|
| Claude Fable 5 (max) | 80.4% |
| Claude Opus 4.8 (max) | 69.2% |
| Grok 4.5 | 64.7% |
| Claude Opus 4.7 (max) | 64.3% |
| GLM 5.2 | 62.1% |
| GPT 5.5 (xhigh) | 58.6% |
此外，xAI 还提供了一张效率对比图：Grok 4.5 在每个 SWE Bench Pro 任务中平均输出 15,954 个 token，而 Opus 4.8 (max) 的同类指标为 67,020 个 token，两者相差约 4.2 倍。
这些数据的来源详解
xAI 图表上的注释比以往任何时候都更具参考价值：
- DeepSWE 1.0 由 Datacurve 创建，并由 AA 使用各模型提供商的 harness 负责运行。
- DeepSWE 1.1 采用了由 Datacurve 运行的 mini-swe-agent harness。
- “竞争对手的数据摘自各自开发商发布的系统卡或基准测试排行榜。”
这意味着什么？这构成了一幅典型的“拼凑”图景。部分数据源于第三方评估机构，部分来自竞争对手的官方营销页面，最后由带有销售目标的厂商汇总而成。这种做法比纯粹的自我报告更透明，且 Datacurve 的参与提升了可信度。但问题在于，它仍然不是独立的评估：不同来源的 harness、脚手架和努力程度设置各不相同，其中任何一项变化都可能导致智能体评分波动数个百分比。目前，除了这份“拼凑图”之外，尚未有任何人发布过关于 Grok 4.5 的独立测试数据。
对相同图表的三种不同解读
第一种解读：与 Opus 4.8 相比，两者棋逢对手。Grok 在两项测试中胜出（DeepSWE 1.0 领先 6.25 分，Terminal Bench 领先 4.4 分），在两项测试中落败（DeepSWE 1.1 落后 6 分，SWE Bench Pro 落后 4.5 分）。马斯克关于“Opus 级别”的定位，在他发布的数据中是可以成立的；但更激进的声明则难以自圆其说。请注意，Grok 在终端导向的评估和较旧的测试中获胜，而 Opus 则在较新的、更复杂的仓库级评估中占据优势。如需了解包括定价在内的全面对比，可参考 Grok 4.5 与 Claude Opus 4.8 的详细比较。
第二种解读：与顶尖模型相比，Grok 4.5 完全不具备竞争优势，而且 xAI 也并未刻意掩饰这一点。在他们自己的官方页面中，Claude Fable 5 (max) 在所有四张图表中均位居榜首，而 GPT 5.5 (xhigh) 在四项测试中有三项胜过 Grok 4.5。有趣的是，xAI 选择将这些数据公之于众，而非刻意裁剪。他们的宣传重点非常明确：性价比，而非绝对霸权。关于 Fable 数据在实际应用中的意义，我们在 Fable 5 基准测试分析中进行了深入探讨。
第三种解读：与其前代产品相比，此次升级是真实存在的，但幅度有限。在这些图表中，从 Opus 4.7 到 4.8 的跨越，让大多数代际差距显得微不足道。而 Grok 4.5 领先于 GLM 5.2（其成本仅为前者的一小部分）的优势，在两项共同的基准测试中仅为 9 到 11 分。追求“单位美元能力”的买家，应当仔细权衡这两个方向的差距。
xAI 希望你重点关注的核心指标
效率图表是此次发布会的战略核心。每个解决的任务仅需 15,954 个输出 token，而 Opus 4.8 (max) 需要 67,020 个。这意味着 Grok 4.5 以不到四分之一的输出量完成了同等的工作，同时交付速度达到每秒 80 个 token。
这是一个非常合理的指标，绝非噱头。输出 token 直接关联到成本与时间；在智能体循环中，这些成本会在每一步中不断累加。一个在 SWE Bench Pro 上得分低 4.5 分，但输出 token 少 4.2 倍的模型，对于高吞吐量的流水线来说，仍然是理性的选择。这正是我们的定价分析所量化的权衡：按牌价计算，每个解决任务的输出成本分别为约 0.10 美元与约 1.68 美元。
这里有两个注意事项需要牢记。首先，这是厂商测量的单一基准测试。其次，对于对比模型来说，输出冗长并非等同于浪费：Opus 的长输出是其扩展推理的体现，这也是它在某些评估中获胜的部分原因。效率与深度是真实的权衡，而非免费的午餐。
目前缺失的关键信息
在未来几周内保持观望的理由依然充分：
- 缺乏独立的第三方评估。截至 7 月 9 日，Artificial Analysis 智能指数尚未收录，LMArena 尚未给出排名，社区也未进行 SWE-bench 复现验证。
- 仅限编程领域。xAI 未为这款同样定位为“知识工作”的模型发布任何通用推理、数学、科学或安全基准测试。办公能力仅以演示而非正式评估的形式发布。
- 未披露 Grok 自身的推理模式。竞争对手均标注了其模式（max、xhigh）；Grok 4.5 的得分反映的是其默认配置还是最高配置，目前尚不明确。
- 发布首周的模型。在任何模型发布后的第一个月内，性能回退、服务不稳定以及悄无声息的能力变更都很常见。
运行真正重要的基准测试：你自己的测试
公开基准测试预测的是平均水平，而非你的具体工作负载。在做出切换决策时，轻量级的私有评估胜过上述所有数据：
- 从你自己的待办事项中收集 10 到 20 个真实任务：包括 prompt、代码库上下文和预期结果。
- 为每个候选模型构建一个保存的请求。由于 xAI 和 Anthropic 都提供兼容 OpenAI 的接口，因此测试框架只是一个带有模型变量的集合，而非三个独立的代码库。
- 针对
grok-4.5和你当前使用的模型运行每个任务。对usage对象进行断言并记录延迟，这样你就可以在同一次运行中对质量、速度和 token 消耗进行综合评分。 - 如果可能，进行盲测评分；模型名称对评审者偏见的影响远比你承认的要大。
最后一步是检验“效率论”是否符合实际应用场景的关键：如果 Grok 4.5 在你的 prompt 下输出并未明显变短，那么头条新闻中的经济效益就不适用于你。
常见问题解答
xAI 为 Grok 4.5 发布了哪些基准测试？ 四项编程评估（DeepSWE 1.0 和 1.1、Terminal Bench 2.1、SWE Bench Pro）以及与 Opus 4.8 的 token 效率对比。没有发布编程领域以外的数据。
是否有独立的 Grok 4.5 基准测试？ 目前还没有。已发布的数据混合了 Datacurve 运行的评估结果以及其他厂商系统卡上的数据。独立指数通常会在重大发布后的几周内出现。
Grok 4.5 击败了 Claude Opus 4.8 吗？ 在已发布的四项基准测试中，它胜出两项，并且成本更低。Opus 在两项更难的仓库级评估中获胜。可以参考完整对比。
Grok 4.5 是目前最强的编程模型吗？ 不是，xAI 自己的图表也清晰表明了这一点：Claude Fable 5 (max) 在每项已发布的基准测试中都处于领先地位。Grok 4.5 竞争的是“单位美元智能”这一维度。
