Grok 4.5 выводит xAI на передний край мирового уровня интеллекта

Grok 4.5 на 16 пунктов превосходит Grok 4.3 в индексе интеллекта, выведя SpaceXAI на передовой уровень интеллекта, уступая только OpenAI и Anthropic, и превосходя по производительности все модели с открытым весом и особенно модели Google Gemini. Ключевыми областями деятельности являются агентная работа с знаниями и кодирование.

Grok 4.5 в Grok Build набирает 76 баллов по индексу агента кодирования искусственного анализа, что соответствует GPT-5.5 (xhigh) в Codex и чуть ниже Fable 5 (max) в Claude Code, а также имеет небольшую долю использования токена и цены.

Поздравляем SpaceXAI, Cursor и Илона Маска с впечатляющим релизом!

Ключевые выводы:

➤ Grok 4.5 очень хорошо справляется с агентскими задачами. Grok 4.5 занимает 4-е место в GDPval-AA v2 с рейтингом Elo 1543, между Claude Opus 4.8 (1600) и GLM-5.2 (1513). Он получил высший балл по 𝜏³-Банковское дело - 33%, что выше 31% от GPT-5,5 (xhigh), и находится на границе Парето по соотношению затрат и производительности по всем трем агентским оценкам в Индексе интеллекта.

➤ Grok 4.5 — одна из наиболее экономически эффективных моделей для разведки ближнего зарубежья. Это стоит 0,31 доллара США за задачу в Индексе искусственного анализа интеллекта и 2,59 доллара США за задачу в Индексе кодирующего агента искусственного анализа в Grok Build.

➤ Низкая стоимость Grok 4.5 обусловлена как низкой ценой, так и эффективностью токена. Заголовочная цена Grok 4.5 более чем на 60 % ниже, чем у Claude Opus 4.8 и GPT-5.5, а для каждой задачи индекса интеллекта используется около 14 тыс. токенов вывода — более чем на 60 % ниже, чем у Opus 4.8. По индексу кодирующего агента Grok 4.5 выделяется на границе Парето по показателю индекса кодирующего агента по сравнению с общим числом токенов, используя только 1,9 млн токенов для индекса кодирующего агента и набирая 76 баллов.

➤ В качестве агента кодирования Grok 4.5 в Grok Build находится на одном уровне с GPT-5.5 и обеспечивает преимущества в эффективности: в нашем индексе агентов кодирования искусственного интеллекта, который состоит из DeepSWE, Terminal-Bench v2 и SWE-Atlas QnA, Grok 4.5 в Grok Build занимает третье место, наравне с GPT-5.5 (Codex) и ниже Fable 5 (Claude Code). Это также очень эффективно для достижения этого результата: Grok 4.5 в Grok Build стоит 2,49 доллара за задачу, Fable 5 в Claude Code стоит 11,80 доллара, а GPT-5.5 в Codex — 5,07 доллара. Это обусловлено относительно низкой ценой на токены и моделью, использующей гораздо меньше токенов, чем сопоставимые модели (в среднем 1,9 млн токенов, используемых на задачу), что значительно меньше, чем Fable 5 в Claude Code (7,2 млн) и GPT-5.5 в Codex (6,2 млн).

Другие детали модели:

➤ Контекстное окно из 500 тыс. токенов — сокращение по сравнению с контекстом токена Grok 4.3, состоящим из 1 млн, но с сохранением настраиваемых рассуждений и ввода видения.

➤ Цена $2/$6 за 1 миллион токенов ввода/вывода; попадания в кэш снижаются на 75 % до 0,5 доллара США за 1 миллион токенов, а стоимость по-прежнему удваивается при длинных (>200 тысяч токенов) входных данных.

➤ Как сообщил Илон Маск, Grok 4.5 в 3 раза больше своего предшественника при параметрах 1,5T.

Grok 4.5 очень хорошо справляется с агентскими задачами, включая информационную работу, использование терминалов и обслуживание клиентов. По GDPval-AA v2, 𝜏³-Banking и Terminal-Bench v2.1 Grok 4.5 находится на одном уровне или опережает Claude Opus 4.8 и GPT-5.5. Вскоре мы оценим его с помощью AA-Briefcase, нашего частного эталона долгосрочных задач по работе с знаниями в рамках проектов.

Grok 4.5 очень эффективен с точки зрения затрат: выполнение каждой задачи индекса интеллекта стоит 0,31 доллара США, что меньше, чем у GLM-5.2 и Kimi K2.6, и в 5 раз ниже, чем Claude Sonnet 5 (максимум), при этом производительность выше по индексу интеллекта. Это ставит Grok 4,5 на границу производительности/затрат по Парето как очень привлекательный вариант для расчета интеллекта на доллар.

В качестве агента кодирования Grok 4.5 в Grok Build входит в число ведущих моделей: в нашем индексе агентов кодирования искусственного интеллекта, который состоит из DeepSWE, Terminal-Bench v2 и SWE-Atlas QnA, Grok 4.5 в Grok Build находится на одном уровне с GPT-5.5 в Codex и ниже Fable 5 в Claude Code. Grok 4.5 в Grok Build хорошо работает во всех тестах, но особенно в Terminal-Bench v2, который измеряет использование агентского терминала.

Grok 4.5 в Grok Build также выделяется своей эффективностью. Grok 4.5 в Grok Build стоит 2,49 доллара за задачу, Fable 5 в Claude Code стоит 11,80 доллара, а GPT-5.5 в Codex — 5,07 доллара. Это обусловлено относительно низкой ценой на токены и моделью, использующей гораздо меньше токенов, чем сопоставимые модели (в среднем 1,9 млн токенов, используемых на задачу), что значительно меньше, чем Fable 5 в Claude Code (7,2 млн) и GPT-5.5 в Codex (6,2 млн).

Grok 4.5 набирает на 8 баллов выше, чем Grok 4.3, в Индексе всеведения AA, достигнув 26 вместо 18. Увеличение обусловлено улучшением точности с 35% до 52%, но уровень галлюцинаций также увеличился с 25% до 54%. Это общая закономерность: более крупные модели знают больше, но при этом более уверены в своих знаниях, и это справедливо для последней версии Grok.

Полная разбивка оценок индекса интеллекта