Grok 4.5 详解：编码基准、80 TPS、Token 效率与 API 定价

引言

Grok 4.5让xAI重返编程模型竞赛的前列。

该模型于2026年7月8日发布，专为软件工程、智能体任务和更广泛的知识工作而设计。它使用Cursor进行训练，现可通过xAI API、Grok Build和Cursor使用。其亮点不仅在于模型质量，Grok 4.5还围绕更快的服务速度、更少的生成令牌数以及更低的单次任务完成成本展开。

官方模型文档显示其具备500,000个令牌的上下文窗口、文本和图像输入、可配置推理、函数调用、结构化输出支持，以及API定价为每百万输入令牌2美元和每百万输出令牌6美元。

本文将解读Grok 4.5在哪些方面表现优异、其效率声明应如何理解、训练过程中有哪些变化，以及配套推理栈为何可能与模型本身同等重要。

Grok拥有专属的Opus级编程模型

Grok 4.5是xAI面向编程、智能体工作和通用计算机知识任务的旗舰模型。官方发布材料将其描述为能够处理长时间运行任务、使用工具、从错误中恢复并验证结果（而非单次响应后即停止）的模型。

这使其与用于自主编程、仓库级代码变更、技术研究、数据分析和多步骤办公工作流的高端模型处于同一类别。

核心模型规格

50万个令牌的上下文窗口足以容纳庞大的代码库、长篇技术文档、多文件调查以及扩展的智能体历史记录。大上下文窗口并不能自动保证更好的结果，但它为工具提供了更多空间来提供相关源材料，而无需进行激进截断。

编程基准测试结果

xAI官方公告发布了多项软件工程评估的结果。Grok 4.5并非在所有基准测试中都位列第一，但与其他前沿系统相比仍具竞争力。

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

这些数字表明，该模型在终端工作、实际工程任务以及较长的智能体工作流方面表现尤为突出。不过，仍需谨慎解读这些结果，因为基准测试框架、推理设置、工具访问权限以及服务商特定配置都会影响最终表现。

Cursor 还透露，旧版本的 Cursor 代码库快照意外出现在了训练数据中，这可能会影响 CursorBench 的结果。该公司已将该基准测试从其公开对比中排除，并表示这些数据不会用于未来的模型训练。

更快的服务与更低的令牌消耗

关于 Grok 4.5，最实用的卖点在于其效率。

xAI 表示，该模型的服务速度高达 每秒80个令牌 。这一速度足以让长推理链、仓库编辑和迭代式智能体循环的响应比慢速的高级模型更迅速。

该公司还报告称，在 SWE-Bench Pro 的每项任务中，Grok 4.5 平均消耗 15,954个输出令牌，而 Opus 4.8 在最大设置下平均消耗 67,020个输出令牌。这意味着，在测量的工作负载中，输出令牌量大约减少了 4.2倍。

令牌效率之所以重要，原因有三：

1. 更低延迟： 生成的令牌越少，任务通常完成得越快。
2. 更低 API 成本： 输出令牌往往比输入令牌更昂贵。
3. 更短的智能体循环： 精简的推理可以减少在工具间传递大量历史信息所耗费的时间。

关键指标并不仅仅是每百万令牌的价格。团队应该比较在可接受质量水平下完成相同任务的总成本。一个标价更高的模型，如果需要的尝试次数、工具调用或…

生成的令牌。

API 定价

基础 API 价格如下：

Cursor 在其自身模型产品中还提供了一种更快的变体，价格为每100万输入令牌4美元和每100万输出令牌18美元。不同平台的定价和可用性可能有所不同，因此生产团队应在其实际使用的环境中确认费率。

从代码生成到完整工作流程

Grok 4.5 的定位不仅仅是完成一个函数或解释一个错误。官方示例包括：

• 根据一条提示构建太阳系模拟
• 创建端到端的 Web 应用程序
• 生成带有原生形状的 PowerPoint 幻灯片
• 构建多工作表电子表格模型
• 处理软件工程、金融、法律和研究任务
• 在长期运行的代理会话中使用工具

太阳系演示很有用，因为它结合了设计、前端代码、3D 渲染、控件和交互逻辑。这并不能证明每个单提示应用程序都能直接用于生产，但它展示了该模型正在被优化以处理的那种集成任务。

Grok 4.5 还延伸到了办公工作。在发布材料中，它创建了结构化的业务审查幻灯片，并处理涉及公式、网络研究和多工作表的电子表格。

对于开发团队来说，一个实用的工作流程可能如下所示：

1. 向 Grok 4.5 提供仓库上下文和范围明确的任务。
2. 让它检查文件、实施更改并运行验证命令。
3. 要求它提供简洁的更改摘要和来自测试的证据。
4. 在合并之前，由人工或第二个模型审查补丁。
5. 将生产部署和敏感操作保留在明确的审批之后。

一个模型可能既快速又强大，但仍然会产生错误的假设、不安全的更改或不完整的验证。使用代理编码模型的最佳方式通常是带有可见证据的结构化自动化，而不是不受限制的自主性。

效率提升源于不同的训练策略

效率提升并非仅仅表现为简单的服务优化。xAI 和 Cursor 都描述了在模型架构、数据准备、强化学习和分布式训练方面的改变。

专家混合模型

架构

Cursor 将 Grok 4.5 描述为一种混合专家模型。在 MoE 系统中，仅会为特定token或任务激活网络的一部分。这种方法可以在不要求每个参数都参与每次推理步骤的情况下，提升模型的总容量。

官方来源并未公布足够的实现细节来精确计算每个token所需的计算量。因此，与其依据未经证实的参数数量推断性能，不如更准确地聚焦于可观测行为——速度、基准测试质量和 token 消耗。

GB300 规模训练

xAI 表示，Grok 4.5 是在数万块英伟达 GB300 GPU 上训练的。如此规模的训练不仅需要原始硬件支持。长时间运行需要稳定的分布式系统、检查点恢复、网络通信、数据管道以及能够保持数千个加速器高效运转的监控机制。

公告特别强调了为大规模训练任务设计的稳定性技术。这之所以重要，是因为在长期实验中出现故障时，如果系统无法高效恢复，可能会浪费大量计算资源。

更优的数据密度，而不仅是更多标记

训练流程包括：

• 大规模去重
• 质量评分
• 领域聚焦过滤
• 高信号数据筛选
• 更广泛的编码、科学、工程、数学及知识工作材料混合

其目标是提升有用训练信号的密度，而非仅仅依赖原始 token 量。重复、低质量或相关性弱的数据可能增加训练成本，却无法带来与精心挑选样本相同的改进效果。

Cursor 交互数据

Cursor 表示，该模型使用了数万亿个 Cursor 数据 token 进行训练。据该公司称，数据集捕捉了用户、代码库、软件工具和代理之间的交互。

这一区别至关重要。纯代码数据集教导的是语法、模式、库和常见实现方法。而交互数据还能教导工作流程的顺序：

• 开发者如何检查不熟悉的仓库
• 他们在修改之前会打开哪些文件
• 如何响应测试失败
• 何时使用终端命令
• 如何在收到反馈后修订补丁
• 代理如何与工具及其环境交互

这有助于解释为何 Grok 4.5 定位在软件工程领域，而非孤立的代码补全。

面向困难、现实任务的强化学习

xAI 表示，其强化学习项目涵盖了数十万个任务，重点是多步骤软件工程及其他技术工作。

Cursor 描述了训练模型的多种环境：

1. 探索问题
2. 使用工具
3. 从错误中恢复
4. 验证结果
5. 在长时间任务跨度内持续工作

两家公司还构建了分布式代理系统，以大规模生成、测试和优化这些训练环境。部分代理任务可能运行数小时，而更大的训练过程则异步继续进行。

这是与狭隘基准优化相比的一个重大转变。模型不仅被训练用于产生正确的最终答案，还要学会导航达成目标的整个过程。

对某人而言。

还有一件事：系统工程可能是下一个战场

模型权重只是最终产品的一部分。

埃隆·马斯克在一份公开声明中表示，Grok 4.5 尚未使用 xAI 内部开发的、专门映射到 GB300 硬件的 C/C++ 推理软件。他暗示，优化后的技术栈可能使服务速度翻倍或进一步提升。

这是一个前瞻性的说法，而非经过验证的生产结果，因此不应视作有保证的性能表现。尽管如此，它凸显了模型竞争的动向。

当前沿模型的基准质量日益接近时，周边系统可创造实际优势：

• 内核与编译器优化
• 请求调度
• 混合专家路由
• 量化
• 内存管理
• 提示缓存
• 批量处理
• 特定硬件的推理代码
• 代理编排
• 工具延迟与可靠性

对用户而言，这意味着模型比较不应仅包含单一的智能评分。一个响应更快、产生更少令牌、有效利用缓存、并以更少重试完成任务，即使在基准测试上落后于其他模型，也可能提供更好的实际价值。

Grok 4.5 API 入门

Grok 4.5 可通过 xAI 的 Responses API 使用。以下 Python 示例使用了兼容 OpenAI 的客户端接口：

import os
from openai import OpenAI

api_key = os.environ.get("XAI_API_KEY")
if not api_key:
raise RuntimeError("请先设置 XAI_API_KEY 环境变量。")

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

response = client.responses.create(
model="grok-4.5",
input=(
"审查这个 JavaScript 函数，修复错误，"
"并解释改动："
"function median(values) { values.sort(); "
"return values[values.length / 2]; }"
),
)

print(response.output_text)

在生产中使用模型前：

1. 将 API 密钥存储在环境变量或密钥管理器中。
2. 添加超时和重试处理。
3. 记录令牌使用情况和总请求成本。
4. 在执行前验证工具调用。
5. 对破坏性或影响生产的操作要求批准。
6. 在需要确定性行为时，固定一个带有日期的模型版本。

常见问题解答

Grok 4.5 是什么？

Grok 4.5 是 xAI 的前沿模型，用于编程、代理任务和知识工作。它支持文本和图像输入、可配置推理、函数调用和结构化输出。

Grok 4.5 的上下文窗口有多大？

xAI 官方模型文档列出其上下文窗口为 500,000 个令牌。实际可用上下文可能因请求格式、工具输出和平台特定限制而异。

Grok 4.5 API 的费用是多少？

公布的基础价格为每

每百万输入令牌 0.50 美元，每百万缓存输入令牌 0.50 美元，以及每百万输出令牌 6 美元。特定平台的变体或优先级服务可能适用不同的费率。

Grok 4.5 在编码方面比 Claude Opus 更好吗？

答案取决于基准测试和工作流程。Grok 4.5 在多项工程测试中具有竞争力，并在一些比较中领先，而其他模型在其他方面仍然保持优势。速度、令牌使用情况、工具可靠性以及任务完成成本应与基准分数一起评估。

为什么 Grok 4.5 被描述为令牌高效？

xAI 报告称，Grok 4.5 在每个 SWE-Bench Pro 任务中平均使用 15,954 个输出令牌，而 Opus 4.8 在最大设置下使用 67,020 个。对于所测量的工作负载，输出令牌数减少了约 4.2 倍。

Grok 4.5 可以处理图像吗？

可以。官方模型页面列出了文本和图像输入以及文本输出。这使得它适用于截图分析、文档审查以及代理工作流程中的视觉上下文等任务。

Grok 4.5 在 Cursor 中可用吗？

是的。Cursor 表示 Grok 4.5 可在其桌面、网页、iOS、CLI 和 SDK 体验中使用。使用配额和定价取决于所选的 Cursor 计划。

Grok 4.5 适合生产级代理吗？

它可以在生产级代理中用作推理模型，但周围系统仍然需要权限控制、验证、可观测性、重试机制，以及对高影响操作的人工审批。基准测试的优势并不能消除对操作防护措施的需求。

相关工具

• xAI API 控制台：创建 API 密钥、管理额度以及访问 xAI 模型。
• Cursor：一个包含 Grok 4.5 的 AI 编码环境，支持多种产品。
• Grok Build：xAI 基于 Grok 4.5 的代理编码环境。
• xAI Python SDK：用于使用 xAI 模型构建的官方 Python SDK。
• OpenAI Python 库：一个兼容的客户端库，可以通过自定义基础 URL 调用 xAI Responses API。

相关链接

• 介绍 Grok 4.5：xAI 的官方发布公告，包含基准测试、训练详情、速度和定价信息。
• Grok 4.5 模型文档：关于上下文长度、模态、能力和令牌定价的官方规格说明。
• Grok 4.5 开发者指南：官方 API 示例和集成指导。
• xAI 定价：xAI 当前的模型和 API 定价。
• Cursor 引入 Grok 4.5：Cursor 关于联合训练、交互数据和强化学习的说明。
• xAI 模型：当前 xAI 模型目录和模型选择指导。
• xAI 发布说明：官方发布历史和配置更新。

总结

Grok 4.5 是一个面向编码、代理和知识工作的前沿模型。其最强大的实际优势是

竞争性的工程性能、高达每秒80个token的处理速度、50万token的上下文窗口，以及在已发布的SWE-Bench Pro对比中更低的token消耗——这些优势的结合。

其训练方法融合了大规模基础设施、精选数据、Cursor交互轨迹，以及真实工具使用环境中的强化学习。这有助于模型从孤立的代码生成转向更长的端到端工作流程。

主要故事不仅在于Grok变得更强大了，更在于xAI正在完成实际工作的全成本与速度上展开竞争。