xAI представила Grok 4.5 — языковую модель, ориентированную на задачи программирования, агентные сценарии и работу со знаниями. По заявлению компании, обучение проводилось на десятках тысяч ускорителей Nvidia GB300 с акцентом на высокое качество данных: фильтрация, дедупликация и предметная сегментация. Этап подкрепления включал сотни тысяч задач, преимущественно из области разработки ПО, с автоматической оценкой.
Результаты тестов показывают неоднородную картину. На Terminal Bench 2.1, проверяющем работу с командной строкой, Grok 4.5 набирает 83,3% — почти столько же, сколько GPT-5.5 (83,4%) и Fable 5 от Anthropic (84,3%). Однако на DeepSWE 1.1, где требуется решать реальные проблемы из GitHub, модель достигает лишь 53%, уступая GPT-5.5 (67%) и Fable 5 (70%). На SWE Bench Pro, более сложном наборе инженерных задач, Grok 4.5 показывает 64,7%, превосходя Opus 4.8 (69,2%) в некоторых конфигурациях, но отставая от Fable 5 (80,4%).
| Модель | DeepSWE 1.1 | Terminal Bench 2.1 | SWE Bench Pro |
|---|---|---|---|
| Fable max | 70% | 84.3% | 80.4% |
| GPT 5.5 xhigh | 67% | 83.4% | 58.6% |
| Opus 4.8 max | 59% | 78.9% | 69.2% |
| Grok 4.5 | 53% | 83.3% | 64.7% |
| GLM 5.2 | 44% | 81.0% | 62.1% |
Ключевое преимущество Grok 4.5 — цена. Стоимость составляет $2 за миллион входных токенов и $6 за миллион выходных. Для сравнения: Opus 4.8 стоит $5/$25, GPT-5.5 — $5/$30, а Fable 5 — $10/$50. Кроме того, xAI утверждает, что Grok 4.5 использует в 4,2 раза меньше токенов, чем Opus 4.8, на задачах SWE Bench Pro, и выдаёт 80 токенов в секунду. Таким образом, при сопоставимой или чуть худшей производительности общая стоимость работы модели значительно ниже.
На бенчмарке Terminal Bench 2.1 модель набирает 83,3%, почти догоняя GPT-5.5 (83,4%) и Fable 5 (84,3%).
Такой подход напоминает стратегию китайских вендоров Zhipu и DeepSeek: достичь близкого к лидерам качества и агрессивно демпинговать по цене. Grok 4.5 уже доступен через платформы Grok Build, Cursor (приобретённый SpaceX в середине июня за $60 млрд) и консоль xAI. Поддерживаются плагины для Word, PowerPoint и Excel. В Евросоюзе модель пока не развёрнута — запуск запланирован на середину июля.
Ограничения модели очевидны: на сложных задачах DeepSWE 1.1 отставание от лидеров достигает 17 процентных пунктов. Для сценариев, где точность критична, это может быть неприемлемо. Однако для многих прикладных задач, где цена играет решающую роль, Grok 4.5 выглядит привлекательной альтернативой. Один из самых дешёвых вариантов среди моделей высокого класса, если заявленные показатели эффективности подтвердятся на практике.
