Grok 4.5 Explicado: Puntos de Referencia de Codificación, 80 TPS, Eficiencia de Tokens y Precios de API

Introducción

Grok 4.5 coloca a xAI nuevamente en la primera fila de la competencia de modelos de codificación.

Lanzado el 8 de julio de 2026, el modelo está diseñado para ingeniería de software, tareas agentivas y trabajo de conocimiento más amplio. Fue entrenado con Cursor y ahora está disponible a través de la API de xAI, Grok Build y Cursor. El titular no es solo la calidad del modelo. Grok 4.5 también se posiciona en torno a una entrega más rápida, menos tokens generados y un menor costo por tarea completada.

La documentación oficial del modelo enumera una ventana de contexto de 500,000 tokens, entrada de texto e imágenes, razonamiento configurable, llamada a funciones, soporte de salidas estructuradas y precios de API de $2 por millón de tokens de entrada** y **$6 por millón de tokens de salida.

Este artículo explica dónde se desempeña bien Grok 4.5, cómo deben interpretarse sus afirmaciones de eficiencia, qué cambió en el entrenamiento y por qué el stack de inferencia circundante puede volverse tan importante como el propio modelo.

Grok Obtiene Su Propio Modelo de Codificación Clase Opus

Grok 4.5 es el modelo insignia de xAI para codificación, trabajo agentivo y tareas generales de conocimiento basadas en computadora. Los materiales de lanzamiento oficiales lo describen como un modelo que puede manejar trabajo de larga duración, usar herramientas, recuperarse de errores y verificar resultados en lugar de detenerse después de una única respuesta.

Esto lo coloca en la misma categoría amplia que los modelos de alta gama utilizados para codificación autónoma, cambios a nivel de repositorio, investigación técnica, análisis de datos y flujos de trabajo de oficina de múltiples pasos.

Especificaciones Principales del Modelo

La ventana de contexto de 500K es lo suficientemente grande para bases de código sustanciales, documentos técnicos largos, investigaciones de múltiples archivos e historiales de agentes extendidos. Una ventana de contexto grande no garantiza automáticamente mejores resultados, pero le da a las herramientas más espacio para proporcionar material fuente relevante sin truncamiento agresivo.

Resultados de Puntos de Referencia de Codificación

El anuncio oficial de xAI publica resultados a través de varias evaluaciones de ingeniería de software. Grok 4.5 no es el modelo superior en todos los puntos de referencia, pero sigue siendo competitivo con otros sistemas de frontera.

Opus 4.8 máximo 59% |
| Terminal-Bench 2.1 | 83.3% | Fable máximo 84.3%; GPT-5.5 xhigh 83.4%; Opus 4.8 máximo 78.9% |
| SWE-Bench Pro | 64.7% | Fable máximo 80.4%; Opus 4.8 máximo 69.2%; Opus 4.7 máximo 64.3% |
| SWE Marathon | 29.0% | Opus 4.8 máximo 26.0%; Fable máximo 24.0%; Opus 4.7 máximo 16.0% |

Estas cifras sugieren un modelo que es especialmente sólido en trabajo de terminal, tareas prácticas de ingeniería y flujos de trabajo agentivos más largos. Aún así deben leerse con cuidado. Los entornos de las pruebas de referencia, las configuraciones de razonamiento, el acceso a herramientas y las configuraciones específicas del proveedor pueden afectar el resultado.

Cursor también reveló que una instantánea antigua del repositorio de código de Cursor estuvo presente accidentalmente en los datos de entrenamiento, lo que podría influir en CursorBench. La empresa excluyó esa prueba de referencia de su comparación pública y afirmó que los datos no se utilizarían para modelos futuros.

Servicio más rápido y menor uso de tokens

La afirmación más práctica en torno a Grok 4.5 es la eficiencia.

xAI afirma que el modelo se sirve a hasta 80 tokens por segundo. Esto es lo suficientemente rápido como para que los rastros de razonamiento largos, las ediciones de repositorios y los bucles agentivos iterativos se sientan más receptivos que los modelos premium más lentos.

La compañía también informa que Grok 4.5 utilizó un promedio de 15,954 tokens de salida por tarea de SWE-Bench Pro, en comparación con 67,020 tokens de salida para Opus 4.8 en su configuración máxima. Esto equivale aproximadamente a 4.2 veces menos tokens de salida en la carga de trabajo medida.

La eficiencia de tokens es importante por tres razones:

1. Menor latencia: menos tokens generados generalmente significan que la tarea termina antes.
2. Menor costo de API: los tokens de salida suelen ser más caros que los tokens de entrada.
3. Bucles agentivos más cortos: un razonamiento conciso puede reducir el tiempo dedicado a pasar historiales extensos entre herramientas.

La métrica importante no es simplemente el precio por millón de tokens. Los equipos deberían comparar el costo de completar la misma tarea con un nivel de calidad aceptable. Un modelo con un precio de token listado más alto aún puede ser más barato si necesita menos intentos, menos llamadas a herramientas o menos

tokens generados.

Precios de la API

El precio base de la API es:

Cursor también ofrece una variante más rápida a $4 por millón de tokens de entrada y $18 por millón de tokens de salida dentro de su propia oferta de modelos. Los precios y la disponibilidad pueden variar según la plataforma, por lo que los equipos de producción deben confirmar la tarifa en el entorno que realmente utilizan.

De la Generación de Código a Flujos de Trabajo Completos

Se espera que Grok 4.5 haga más que completar una función o explicar un error. Los ejemplos oficiales incluyen:

• Construir una simulación del sistema solar a partir de un solo prompt.
• Crear aplicaciones web de extremo a extremo.
• Producir diapositivas de PowerPoint con formas nativas.
• Construir modelos de hojas de cálculo de múltiples pestañas.
• Trabajar en tareas de ingeniería de software, finanzas, derecho e investigación.
• Utilizar herramientas en sesiones de agente de larga duración.

La demostración del sistema solar es útil porque combina diseño, código front-end, renderizado 3D, controles y lógica de interacción. No es prueba de que cada aplicación de un solo prompt esté lista para producción, pero muestra el tipo de tarea integrada para la que el modelo está optimizado.

Grok 4.5 también se extiende al trabajo de oficina. En los materiales de lanzamiento, crea diapositivas estructuradas de revisión de negocios y trabaja con hojas de cálculo que involucran fórmulas, investigación web y múltiples pestañas.

Para los equipos de desarrollo, un flujo de trabajo práctico podría verse así:

1. Proporcionar a Grok 4.5 el contexto del repositorio y una tarea claramente definida.
2. Permitir que inspeccione archivos, implemente el cambio y ejecute comandos de validación.
3. Exigir que proporcione un resumen de cambios conciso y evidencia de las pruebas.
4. Revisar el parche con un humano o un segundo modelo antes de fusionarlo.
5. Mantener el despliegue en producción y las operaciones sensibles detrás de una aprobación explícita.

Un modelo puede ser rápido y capaz, pero aún así producir suposiciones incorrectas, cambios inseguros o validación incompleta. El mejor uso de los modelos de codificación agente suele ser la automatización estructurada con evidencia visible, no la autonomía sin restricciones.

Las Ganancias de Eficiencia Provienen de una Estrategia de Entrenamiento Diferente

Las ganancias de eficiencia no se presentan como una simple optimización de servicio. Tanto xAI como Cursor describen cambios en la arquitectura del modelo, la preparación de datos, el aprendizaje por refuerzo y el entrenamiento distribuido.

Mezcla de Expertos

Arquitectura

Cursor describe a Grok 4.5 como un modelo de mezcla de expertos. En un sistema MoE, solo una parte de la red se activa para un token o tarea determinada. Esto puede aumentar la capacidad total del modelo sin requerir que todos los parámetros participen en cada paso de inferencia.

Las fuentes oficiales no publican suficientes detalles de implementación para calcular el cómputo exacto utilizado por token. Por lo tanto, es más preciso centrarse en el comportamiento medido —velocidad, calidad de referencia y consumo de tokens— que inferir el rendimiento a partir de un recuento de parámetros no verificado.

Entrenamiento a escala GB300

xAI afirma que Grok 4.5 se entrenó en decenas de miles de GPU NVIDIA GB300. El entrenamiento a esta escala requiere más que hardware bruto. Las ejecuciones prolongadas necesitan sistemas distribuidos estables, recuperación de puntos de control, redes, tuberías de datos y monitoreo que puedan mantener productivos a miles de aceleradores.

El anuncio enfatiza las técnicas de estabilidad diseñadas para ejecuciones de entrenamiento muy grandes. Esto es importante porque un fallo en un experimento largo puede desperdiciar una gran cantidad de cómputo si el sistema no puede recuperarse de manera eficiente.

Mejor densidad de datos, no solo más tokens

El proceso de entrenamiento incluyó:

• Deduplicación a gran escala
• Puntuación de calidad
• Filtrado centrado en dominios
• Selección de datos de alta señal
• Una mezcla más amplia de material de codificación, ciencia, ingeniería, matemáticas y trabajo de conocimiento

El objetivo es mejorar la densidad de las señales de entrenamiento útiles en lugar de depender solo del volumen bruto de tokens. Los datos repetidos, de baja calidad o débilmente relevantes pueden aumentar el costo de entrenamiento sin proporcionar la misma mejora que los ejemplos cuidadosamente seleccionados.

Datos de interacción de Cursor

Cursor dice que el modelo se entrenó con billones de tokens de datos de Cursor. Según la empresa, el conjunto de datos captura las interacciones entre usuarios, bases de código, herramientas de software y agentes.

Esta distinción es importante. Un conjunto de datos solo de código enseña sintaxis, patrones, bibliotecas e implementaciones comunes. Los datos de interacción también pueden enseñar la secuencia de trabajo:

• Cómo los desarrolladores inspeccionan un repositorio desconocido
• Qué archivos abren antes de hacer un cambio
• Cómo responden a fallos de prueba
• Cuándo usan comandos de terminal
• Cómo revisan un parche después de recibir comentarios
• Cómo un agente interactúa con herramientas y su entorno

Eso ayuda a explicar por qué Grok 4.5 está posicionado en torno a la ingeniería de software en lugar de la finalización de código aislada.

Aprendizaje por refuerzo en tareas difíciles y realistas

xAI dice que su programa de aprendizaje por refuerzo abarca cientos de miles de tareas, con un enfoque en la ingeniería de software de múltiples pasos y otro trabajo técnico.

Cursor describe entornos que entrenan al modelo para:

1. Explorar el problema
2. Usar herramientas
3. Recuperarse de errores
4. Verificar el resultado
5. Continuar trabajando en horizontes de tareas largos

Las empresas también construyeron sistemas de agentes distribuidos para generar, probar y refinar estos entornos de entrenamiento a escala. Algunos despliegues de agentes pueden ejecutarse durante horas mientras el proceso de entrenamiento más grande continúa de forma asíncrona.

Este es un cambio significativo respecto a la optimización estrecha de puntos de referencia. El modelo se está entrenando no solo para producir una respuesta final correcta, sino para navegar el proceso que lleva a ella.

a uno.

Un detalle más: la ingeniería de sistemas podría ser el próximo campo de batalla

Los pesos del modelo son solo una parte del producto final.

Una declaración pública de Elon Musk indicó que Grok 4.5 aún no estaba utilizando el software de inferencia en C/C++ desarrollado internamente por xAI, mapeado específicamente para el hardware GB300. Sugirió que la pila optimizada podría duplicar la velocidad de servicio o mejorarla aún más.

Esta es una afirmación prospectiva más que un resultado de producción medido, por lo que no debe tratarse como un rendimiento garantizado. Aun así, destica hacia dónde se dirige la competencia de modelos.

Cuando los modelos fronterizos se acercan en calidad de referencia, el sistema circundante puede crear la ventaja práctica:

• Optimización del kernel y del compilador
• Programación de solicitudes
• Enrutamiento de mezcla de expertos
• Cuantización
• Gestión de memoria
• Almacenamiento en caché de indicaciones
• Procesamiento por lotes
• Código de inferencia específico del hardware
• Orquestación de agentes
• Latencia y fiabilidad de las herramientas

Para los usuarios, esto significa que las comparaciones de modelos deberían incluir más que una única puntuación de inteligencia. Un modelo que responda más rápido, produzca menos tokens, utilice el caché de manera efectiva y complete tareas con menos reintentos puede ofrecer un valor real superior, incluso si otro modelo lidera en un punto de referencia.

Primeros pasos con la API de Grok 4.5

Grok 4.5 está disponible a través de la API Responses de xAI. El siguiente ejemplo en Python utiliza la interfaz de cliente compatible con OpenAI:

import os
from openai import OpenAI

api_key = os.environ.get("XAI_API_KEY")
if not api_key:
raise RuntimeError("Establece primero la variable de entorno XAI_API_KEY.")

client = OpenAI(
api_key=api_key,
base_url="https://api.x.ai/v1",
)

response = client.responses.create(
model="grok-4.5",
input=(
"Revisa esta función de JavaScript, corrige el error "
"y explica el cambio: "
"function median(values) { values.sort(); "
"return values[values.length / 2]; }"
),
)

print(response.output_text)

Antes de usar el modelo en producción:

1. Almacena la clave API en una variable de entorno o en un gestor de secretos.
2. Añade tiempos de espera y manejo de reintentos.
3. Registra el uso de tokens y el costo total de la solicitud.
4. Valida las llamadas a herramientas antes de ejecutarlas.
5. Exige aprobación para acciones destructivas o que afecten la producción.
6. Fija una versión del modelo con fecha cuando el comportamiento determinista sea importante.

Preguntas frecuentes

¿Qué es Grok 4.5?

Grok 4.5 es el modelo fronterizo de xAI para programación, tareas de agente y trabajo de conocimiento. Admite entrada de texto e imágenes, razonamiento configurable, llamadas a funciones y salidas estructuradas.

¿Qué tan grande es la ventana de contexto de Grok 4.5?

La documentación oficial del modelo de xAI indica una ventana de contexto de 500.000 tokens. El contexto utilizable real puede depender del formato de la solicitud, la salida de herramientas y los límites específicos de la plataforma.

¿Cuánto cuesta la API de Grok 4.5?

El precio base publicado es de $2 por

millones de tokens de entrada, $0.50 por millón de tokens de entrada en caché y $6 por millón de tokens de salida. Las variantes específicas de la plataforma o el servicio prioritario pueden usar tarifas diferentes.

¿Es Grok 4.5 mejor que Claude Opus para programar?

La respuesta depende del punto de referencia y del flujo de trabajo. Grok 4.5 es competitivo en varias pruebas de ingeniería y lidera algunas comparaciones, mientras que otros modelos siguen estando por delante en otras. La velocidad, el uso de tokens, la fiabilidad de las herramientas y el costo de finalización de tareas deben evaluarse junto con las puntuaciones de referencia.

¿Por qué se describe a Grok 4.5 como eficiente en el uso de tokens?

xAI informa que Grok 4.5 utilizó un promedio de 15,954 tokens de salida por tarea de SWE-Bench Pro, en comparación con los 67,020 de Opus 4.8 en su configuración máxima. Esto equivale aproximadamente a 4.2 veces menos tokens de salida para la carga de trabajo medida.

¿Puede Grok 4.5 procesar imágenes?

Sí. La página oficial del modelo enumera entrada de texto e imagen con salida de texto. Esto lo hace adecuado para tareas como análisis de capturas de pantalla, revisión de documentos y contexto visual dentro de un flujo de trabajo de agente.

¿Está Grok 4.5 disponible en Cursor?

Sí. Cursor afirma que Grok 4.5 está disponible en sus experiencias de escritorio, web, iOS, CLI y SDK. Los límites de uso y los precios dependen del plan de Cursor seleccionado.

¿Es Grok 4.5 adecuado para agentes de producción?

Se puede utilizar como modelo de razonamiento dentro de un agente de producción, pero el sistema circundante aún necesita controles de permisos, validación, observabilidad, reintentos y aprobación humana para acciones de alto impacto. La solidez del punto de referencia no elimina la necesidad de salvaguardas operativas.

Herramientas relacionadas

• Consola de API de xAI: Crea claves de API, administra créditos y accede a los modelos de xAI.
• Cursor: Un entorno de programación con IA que incluye Grok 4.5 en múltiples productos.
• Grok Build: El entorno de programación agente de xAI impulsado por Grok 4.5.
• SDK de Python de xAI: El SDK oficial de Python para construir con modelos de xAI.
• Biblioteca de Python de OpenAI: Una biblioteca cliente compatible que puede llamar a la API de Respuestas de xAI a través de una URL base personalizada.

Enlaces relacionados

• Presentación de Grok 4.5: El anuncio oficial de lanzamiento de xAI con puntos de referencia, detalles de entrenamiento, velocidad y precios.
• Documentación del modelo Grok 4.5: Especificaciones oficiales para la longitud de contexto, modalidades, capacidades y precios de tokens.
• Guía para desarrolladores de Grok 4.5: Ejemplos oficiales de API y guía de integración.
• Precios de xAI: Precios actuales de modelos y API de xAI.
• Cursor presenta Grok 4.5: Explicación de Cursor sobre el entrenamiento conjunto, los datos de interacción y el aprendizaje por refuerzo.
• Modelos de xAI: El catálogo actual de modelos de xAI y guía de selección de modelos.
• Notas de la versión de xAI: Historial oficial de versiones y actualizaciones de configuración.

Resumen

Grok 4.5 es un modelo de frontera diseñado para programación, agentes y trabajo de conocimiento. Sus ventajas prácticas más sólidas son

la combinación de un rendimiento de ingeniería competitivo, una velocidad de servicio de hasta 80 tokens por segundo, una ventana de contexto de 500K y un menor consumo de tokens en la comparación publicada de SWE-Bench Pro.

El enfoque de entrenamiento combina infraestructura a gran escala, datos seleccionados, trazas de interacción de Cursor y aprendizaje por refuerzo en entornos realistas de uso de herramientas. Esto ayuda a que el modelo pase de la generación aislada de código a flujos de trabajo más largos y de extremo a extremo.

La historia principal no es solo que Grok se haya vuelto más capaz; es que xAI está compitiendo en el costo total y la velocidad para completar trabajos reales.