Grok 4.5 基准测试：xAI 发布了什么：以及如何解读

xAI 于 2026 年 7 月 8 日发布了 Grok 4.5，随之公布了四项编程基准测试和一张效率图表。这些数据确实很有趣，而且显然是经过精心挑选的。本文将列出所有已公布的数据、它们的来源、缺失的信息，以及如何运行你自己的评估，而不是等待排行榜更新。

简而言之：Grok 4.5 的基准测试表现像是一个强大的第二梯队编程模型，与 Claude Opus 4.8 互有胜负，但落后于顶尖（frontier）模型；其最突出的数据是输出效率，而非准确率得分。

xAI 公布的所有数据

根据 发布公告，以下是完整的四张图表：

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (解决率)

此外还有效率图表：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) 为 67,020 个，相差 4.2 倍。

这些数据的来源

xAI 图表上的注释比往常更重要：

• DeepSWE 1.0 是“由 Datacurve 创建，由 AA 使用各模型提供商的 harness 运行”。
• DeepSWE 1.1 使用了“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（system cards）或基准测试排行榜。”

解读：这是一个“拼凑”而成的图景。有些数据来自第三方评估机构，有些来自竞争对手自己的营销页面，由带有销售目的的厂商汇编而成。这比纯粹的自我报告更透明，且 Datacurve 的参与增加了可信度。但这仍然不是独立的评估：不同来源的 harness、脚手架（scaffolding）和努力程度（effort）设置各不相同，而其中任何一项都能让智能体（agentic）评分波动好几个百分点。目前，除了这个“拼凑图”之外，还没有人发布 Grok 4.5 的数据。

对相同图表的三种解读

与 Opus 4.8 相比，两者平分秋色。 两项胜出（DeepSWE 1.0 领先 6.25，Terminal Bench 领先 4.4），两项落败（DeepSWE 1.1 落后 6，SWE Bench Pro 落后 4.5）。马斯克关于“Opus 级别”的定位经受住了他发布的数据的检验；但更激进的说法则站不住脚。注意哪些基准测试落在各方：Grok 在以终端为导向和较旧的评估中获胜，而 Opus 在较新的、更复杂的仓库级（repo-level）评估中获胜。关于包含定价在内的全面对比，请参阅 Grok 4.5 vs Claude Opus 4.8。

与顶尖模型（Frontier）相比，完全没有竞争优势，xAI 也没有对此掩饰。 在 xAI 自己的页面上，Claude Fable 5 (max) 在所有四张图表中均位居榜首，而 GPT 5.5 (xhigh) 在四项中胜过 Grok 4.5 三项。有趣的是，xAI 选择印出这些数据而不是将其裁剪掉。其推销重点明确在于性价比，而非霸权。关于 Fable 的数据在实践中意味着什么，我们在 Fable 5 基准测试分析中进行了探讨。

与其前代产品相比，升级是真实但有限的。 在这些图表中，Opus 4.7 到 4.8 的跨越使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）的优势在两项共有基准测试中仅为 9-11 分。追求“单位美元能力”的买家应该仔细权衡这两个方向的差距。

xAI 希望你看到的指标

效率图表是此次发布的战略核心。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，且交付速度达到每秒 80 个 token。

这是一个合理的指标，而非噱头。输出 token 意味着真金白银和耗时；在智能体循环（agent loops）中，这些成本会在每一步中累加。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约为 $0.10 vs ~$1.68）。

有两个注意事项：这是厂商测量的单一基准测试。而且，对于对比模型来说，冗长并不等同于浪费：Opus 的长输出是扩展推理，这也是它在某些评估中获胜的部分原因。效率和深度是真实的权衡，而非免费的午餐。

缺失的信息

在未来几周内保持观望的理由：

• 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 尚未排名，社区也未进行 SWE-bench 复现。
• 仅限编程。 xAI 没有为这款同样定位为“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。办公能力是以演示（demo）而非评估（evals）的形式发布的。
• 未披露 Grok 自身的推理模式（effort-mode）。 竞争对手都标注了模式（max, xhigh）；Grok 4.5 的得分反映的是其默认配置还是最高配置尚不明确。
• 发布首周的模型。 在任何模型发布后的第一个月，性能回退、服务不稳定和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。在做切换决定时，轻量级的私有评估胜过上述所有数据：

1. 从你自己的待办事项中收集 10-20 个真实任务：包括 prompt、代码库上下文和预期结果。
2. 在 Apifox 中，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，而不是三个独立的代码库。
3. 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 消耗进行评分。
4. 如果可能，进行盲测评分；模型名称对评审者的偏见比任何人承认的都要大。

最后一步是检验“效率论”是否符合实际的地方：如果 Grok 4.5 在你的 prompt 下的输出并没有明显变短，那么头条新闻中的经济效益就不适用于你。免费 下载 Apifox，整个测试框架的搭建只需一小时。关于 xAI 端的设置细节，请参阅我们的 Grok 4.5 API 指南。

常见问题

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。没有编程以外的数据。

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 运行的评估和其他厂商系统卡上的数据。独立指数通常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胜过两项，且成本低得多。Opus 在两项更难的仓库级评估中获胜。请参阅完整对比。

Grok 4.5 是目前最强的编程模型吗？ 不是，xAI 自己的图表也说明了这一点：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”。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。