摘要： SpaceXAI 於 7 月 16 日推出 Grok 4.5，定位為公司至今最強模型，聚焦 coding、代理任務與知識工作。成績單有贏有輸：它在 SWE Marathon 以 29.0% 排第一，但在 DeepSWE 1.1 等項目落後，且官方成績與對手數字未在同一環境重跑。文章再以 SWE Bench Pro 平均輸出 15,954 tokens、約為 Opus 4.8(max) 四分之一，配合每百萬輸入 tokens 2 美元、每百萬輸出 tokens 6 美元的定價說明其效率主張與限時免費通路。
7 月 16 日，SpaceXAI 把 Grok 4.5 推上線。要交代它的位置，一句話就夠：這是該公司至今最聰明的模型，火力集中在 coding、agentic tasks 與 knowledge work。不過這場發布值得逐項拆解的，並不是任何一個單獨的分數，而是整張成績單攤開之後的形狀——它在某些項目攻上頂端，在另一些項目則落後得毫不含糊；再疊上官方宣稱的兩倍 token 效率與僅四分之一的用量，競爭的提問方式也跟著改變：重點不再是誰最強，而是誰的單位智力成本最低。
定位：與 Cursor 共同訓練的工程執行主力
官方對能力範圍的描述相當具體：一端是 Rust、C/C++ 這類系統語言上的工程作業，另一端是只憑單一 prompt 就生成整套應用。它並不想當通用旗艦，設計上明確朝工程執行收斂。訓練階段是與 Cursor 一起跑的——官方用語為 trained alongside Cursor——這不單純是行銷話術：coding agent 的評分場景取自真實開發工具的日常用法，而不是純學術測驗。同一件事也解釋了，為何上市首日它就進了 Cursor 的所有方案，而不是留在 API console 等著使用者自己接上。對於已經把 coding agent 用得吃重的團隊，這裡還有一層後果：模型與 harness 是一起被評價的；換了模型，就得重新測一輪 harness 的行為，只驗證 API 相容性並不足以交差。
成績單全貌：有輸有贏，稱不上橫掃
官方數字必須當成一整組來讀。先看勝場：SWE Marathon pass@1 拿下 29.0%，位居第一，把 Opus 4.8 的 26.0% 與 Fable 的 24.0% 留在身後；Terminal Bench 2.1 給出 83.3%，與 Fable 的 84.3% 只差一分，也以 0.1 分之微落後 GPT 5.5 的 83.4%。DeepSWE 則是另一種局面：1.0 版得到 62.0%，不敵 Fable(max) 的 66.1% 與 GPT 5.5(xhigh) 的 64.31%，卻勝過 Opus 4.8(max) 的 55.75% 與 Opus 4.7(max) 的 40.12%；1.1 版改採 mini-swe-agent harness 後退到 53%，Fable 的 70%、GPT 5.5 的 67%、Opus 4.8 的 59% 全都排在前面，唯一被它超越的是 GLM 5.2 的 44%。SWE Bench Pro 的 64.7% 同樣落在中段，前方是 Fable 的 80.4% 與 Opus 4.8 的 69.2%。
| 測試項目 | Grok 4.5 | 榜上最強對手 | Grok 排位 |
|---|---|---|---|
| SWE Marathon pass@1 | 29.0% | Opus 4.8 26.0% | 第 1 名 |
| Terminal Bench 2.1 | 83.3% | Fable 84.3% | 第 3 名，落後領先者 1.0 與 0.1 分 |
| SWE Bench Pro | 64.7% | Fable 80.4% | 中段偏上 |
| DeepSWE 1.0 | 62.0% | Fable(max) 66.1% | 居前兩名之後 |
| DeepSWE 1.1 | 53% | Fable 70% | 差幅明顯 |
這張表要讀的是混雜，而不是排序。DeepSWE 的兩個版本最值得並排對照：同一顆模型，1.0 是 62.0%，1.1 掉到 53%，中間唯一的變數就是 harness（1.1 改換 mini-swe-agent）——九個百分點的落差，比前述多數模型之間的距離都還要大。harness 換掉、repository 換掉、評分方式換掉，相對位置也隨之移動；這種現象適用於整個 agentic benchmark 生態，不是這一款發布獨有的毛病。資料來源也得單獨交代：每一個數字都出自 SpaceXAI 的公告，對手成績則分別取自各家的 system card 與 leaderboard，沒有任何人把整個陣列放在同一個屋簷下重跑一遍。拿來建立候選清單足夠可靠，直接當成採購排名則站不住腳；真正有份量的比較，只能發生在你的 repository、你的測試套件、你的時間上限裡。
訓練規模：數十萬道任務，rollouts 動輒數小時
投入的規模不小：依照該公司自己的說法，動用了數萬顆 NVIDIA GB300。RL 橫跨數十萬個任務，集中於 multi-step 軟體工程，評分由自動化指標與模型判斷混合而成，rollouts 一跑就是連續好幾個小時。這個細節的分量比表面更重：agent 承接的工作不是一次生成，而是一整輪編輯、測試、修正的循環；訓練環境若不允許這種長度的軌跡，模型就沒有機會學會跨步驟的紀律。把它放到 benchmark 的勝負分布上對照，還能讀出第二層意思：任務形態越接近訓練時的樣貌——terminal 操作、marathon 式的長跑修復——它就越容易贏；一旦碰上限制環境、精簡工具的 harness，它便落敗。你的工作負載與訓練形態有多像，正是預測它實際表現最可靠的線索。
效率的算盤：80 TPS、四分之一 token、$2/$6
公告最想主打的劇情，大概就落在這裡。速度方面，fast-model 變體約可跑到 80 TPS，官方的說法是這比 flash models 更快。token 帳面上的數字更直白：以 SWE Bench Pro 為例，Grok 4.5 的平均輸出是 15,954 tokens，大約只有 Opus 4.8(max) 那 67,020 的四分之一（1/4.2）。公告另外主張整體 token efficiency 約兩倍、任務步驟數不到一半——這兩點仍屬官方宣稱，第三方驗證目前從缺。
把定價放上桌：$2/M input、$6/M output。假如消耗量只有旗艦對手的四分之一，吞吐又維持在 fast-model 水準，那麼即使不是每張榜都奪冠，intelligence per unit cost 或許才是它真正在賣的東西。對長期大量跑 agent 任務的團隊來說，每個任務的總成本向來比任何榜單頭銜更接近採購決策，而 Grok 4.5 正是把這個視角做成了產品。只是這筆帳得兩邊都算：官方宣稱的兩倍效率與步驟減半若能成立，省下的是 token 與往返次數；但要是你的任務正好落在它輸的那一類——例如 DeepSWE 1.1 那種 harness 底下的長鏈修改——多出來的重試會把效率優勢原封不動地討回去。效率經濟學要站得住，前提是你的工作負載落在它擅長的那幾類之中。
取得管道：預設模型、全方案上線、限時免費
在 Grok Build 裡，Grok 4.5 已經是預設模型，還附有 Excel、PowerPoint、Word、Outlook 外掛——這也順帶說明了它的企圖不限於寫程式：knowledge work 與辦公室文件同樣寫在官方劇本裡，只是這次發布端出的證據，重量明顯壓在 coding 那一側。從第一天起，Grok Build、Cursor 全方案與 SpaceXAI console 三個入口都能取得；Grok Build 與 Cursor 提供限時免費，console API 則依牌價計費——「限時免費」請照字面理解，這是上市視窗的推廣定價，不是常態價格。成本規劃仍應以 $2/$6 的牌價為準，因為免費期一結束，送來的帳單不會附帶任何緩衝。