SpaceXAI Grok 4.5 测评

短的结论：大鹏一日同风起

基本情况：

对于拥有巨额算力与人才储备的北美团队而言，从相对落后位置发起追击并不是一件特别困难的事，尤其是这个团队还有一位金主，拥有钞能力，缺数据就买数据，乃至买生产数据的团队。如果这样还追不到一流位置，那反而令人生疑。

目前看来 Grok 的情况非常乐观，推理性能相比前代直接翻倍，空降到第一梯队水平，而且无论速度，成本都具有较大优势。这一代也不再是高分低能，Agent 任务上表现同样拔群，从已有测试结果来看，基本吻合官方宣称的 Opus 4.7 水平，部分场景更优，而且在成本显著更低。

逻辑成绩：

表格的排序切换为按中位分数降序。

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-06 月榜 ，新增#70 题

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

编程 Agent：

*1 测试方式参见：大模型编程应用测试-V3榜单

Grok 4.5 对比 Grok 4.3 提升巨大，已没有对比必要。下文主要对照与之更接近的国产头部模型 GLM-5.2。

优势：

• 编程：前面提到，Grok 4.5 的 Coding 能力基本持平在榜的 Opus 4.8 (xhigh) ，大体上二者在出错频率，Debug 能力基本相当。但 Grok 有两个与众不同的特征，第一是 Grok 搭配 Grok Build 的执行步骤显著的低于 Opus 搭配 Claude Code，在完成效果相当的前提下，Grok 的 API 调用次数仅有Opus 的 1/2，最低只有 Opus 的 1/8，工具使用数量也只有 Opus 70% 左右。更少的 API 调用，意味着更少的Token 开销，同样在效果相同前提，Grok 以 API 原价计费，任务成本只有 Opus 的 10% 左右。在部分高难度场景，Grok 成本甚至低于国产 GLM-5.2。
• 第二点是Grok 的执行过程严密且精确，对于大部分 Debug，小功能实现，Grok 通常只会一次性读入所有相关文件，再一次性写入所有改动，加上一次自验证就完成任务。即便是大功能，也会拆成3～4 个子任务后，执行 4 次这样的循环。既不会反复涂改同一个功能，也不会因为低级错误要靠验证来发现。
• 但 Grok 现阶段也有缺陷，Grok 也会像 GPT 系列，默认把大量的功能使用说明，原始 Prompt 片段等写入 UI，这需要使用时额外提示来规避。但抛开这个问题，Grok 的UI 审美良好，UI 风格有自己特色，但实现细节通常会有小问题，比如 SVG 错误，字号不一致，配色问题等等。这部分弱于 Opus，但强于 GPT。
• 低幻觉：Grok 4.5 的文本幻觉比 GLM-5.2 更低，在不同尺寸的文本任务中，Grok 基本都可以稳定满分或高分，仅比低幻觉里程碑 GPT-5.5 略差。

不足：

• 推理效率：Grok 的低成本优势是仅限 Coding 相关任务的，而到了通用任务，或数理任务领域，Grok 的推理消耗并不低，相同任务平均高于 GLM-5.2 接近20%。由于 Grok 隐藏了思维链，我们无从得知其具体浪费 Token 的原因，但从最终输出来看，Grok 也有解释，过程中进行了大量试探。Grok 这种偏穷举的风格，在要求列出所有可能性的任务场景较为有效，如#54 题和新题#70 要求列出所有可能，Grok 反而可以拿到较高分数，GLM 则不能。
• 空间理解：空间想象，空间关系理解等任务场景，Grok 表现也较 GLM 更差一些，而且这类题目 Grok 使用的 Token 也较少，可推知并没有走到靠谱的思路。空间能力不足也反映在相关程序任务上，如新增的 H 题是一个简单场景的建模任务，不需要太多其他能力，而 Grok 完成状况并不好。

赛博史官曰：

算上 Grok 4.5，目前已经有 4 个模型达到了相当高的可用性，随着中美模型的加速前进，相信要不了几个月，编程对模型来说只是信手拈来，算不上挑战了。而普通用户的注意力也会从关注哪个模型好，转向如何更好的完成将模型价值变现。

大洋两岸的三位老马都是不准备下牌桌的。西太平洋的老马并不认为他那未尝一败的人生中，几次偶然的失误是什么大事。钱，有的是，人，可以再找，时间，也在他那边。Grok 在这样背景下确实有重振旗鼓的机会，一旦起飞，就再也不会停下。