Grok 4.5 тратит в 4 раза меньше токенов, чем Opus: $2 за миллион на входе

Публикация SpaceXAI подаёт Grok 4.5 как самую сильную собственную модель компании. Заявленная сила в эффективности: модель решает задачи, используя вдвое меньше шагов и в разы меньше токенов, чем сопоставимые конкуренты. При этом собственные графики SpaceXAI показывают, что по абсолютным баллам на четырёх кодинговых бенчмарках (стандартизированных тестах для сравнения моделей) лидирует конкурент Fable (max), а Grok 4.5 ближе всего подбирается к нему только на тесте Terminal Bench 2.1. Источник, публикация MarkTechPost с разбором технических деталей.

Что именно тестировали?

SpaceXAI опубликовала результаты на четырёх кодинговых бенчмарках. Метрика pass@1 означает, что засчитывается только первая попытка решения. Метрика resolve rate показывает долю задач, которые модель исправила.

Отдельно компания выделяет юридический бенчмарк Harvey's Legal Agent Benchmark, где Grok 4.5 занял первое место. SpaceXAI позиционирует это как доказательство силы модели в офисной и аналитической работе, не только в коде.

Обучение шло на десятках тысяч GPU (графических процессоров) NVIDIA GB300. Команда применяла обучение с подкреплением (reinforcement learning, метод, при котором модель учится на сотнях тысяч задач, получая оценку за каждый шаг) с фокусом на эффективность каждого токена. Задачи для обучения с подкреплением были сосредоточены на многошаговой программной инженерии.

Главные результаты: экономия токенов и цена

• Токенная эффективность. На тесте SWE Bench Pro модель использовала 15 954 выходных токена на задачу. У Opus 4.8 (max) на том же тесте, по данным SpaceXAI, уходило 67 020 токенов. Разница примерно в 4,2 раза.

• Юридические задачи. Первое место на Harvey's Legal Agent Benchmark, бенчмарке для оценки ИИ-агентов в юридической работе.

• Стоимость. $2 за миллион входных токенов и $6 за миллион выходных. SpaceXAI заявляет, что модель решает задачи менее чем за половину шагов по сравнению с конкурентами.

• Абсолютные баллы на кодинговых тестах. Fable (max) лидирует на всех четырёх бенчмарках. Grok 4.5 ближе всего к лидеру на Terminal Bench 2.1, но не обгоняет его.

Важная деталь: данные о конкурентах взяты из опубликованных системных карт и таблиц лидеров, но сравнение проводила сама SpaceXAI, а не независимая лаборатория.

Что делать с этим прямо сейчас, по ролям

Разработчику и автору технического контента. Grok 4.5 уже доступен в Cursor на всех тарифах и в Grok Build. Бесплатный доступ на ограниченное время действует в обоих сервисах. Для API нужен ключ SpaceXAI, идентификатор модели grok-4.5. Если вы пишете код или техническую документацию, экономия токенов означает конкретную экономию бюджета: при тех же задачах счёт за API может оказаться в несколько раз ниже.

Маркетологу и копирайтеру. Заявленные сценарии включают создание Excel-моделей с подтягиванием данных из интернета, генерацию слайдов и отчётов из конспекта. Если вы используете ИИ для подготовки аналитических материалов, стоит протестировать: меньше токенов на задачу означает не только экономию, но и более быстрый ответ.

Предпринимателю в РФ и СНГ. SpaceXAI не упоминает ограничений для России, но и не подтверждает доступность. API-доступ через x.ai технически возможен, но требует проверки. Из доступных в РФ аналогов для агентных задач и кодирования стоит сравнить с YandexGPT и GigaChat, хотя по заявленным ценам и токенной эффективности прямого сравнения в открытых источниках пока нет.

Экономия токенов в 4,2 раза на реальных задачах кодирования, если она подтвердится независимо, сделает Grok 4.5 одним из самых выгодных вариантов для агентных сценариев, а бесплатный доступ в Cursor прямо сейчас позволяет проверить это на своих задачах, не тратя ни рубля.

По данным MarkTechPost