---
title: 'Grok 4.5 全景速读:便宜好用,但 Cursor 基准有水分'
video_id: NvrZEecpAOI
url: https://youtu.be/NvrZEecpAOI
title_en: "Grok 4.5 Just Shocked The AI Community - SpaceXAI Grok 4.5"
channel: The AI Grid
published: 2026-07-09
duration: "18:20"
topics: [模型与能力, AI 编程与建站]
noted: 2026-07-09
value: A
views: '802'
---


[![封面](https://i.ytimg.com/vi/NvrZEecpAOI/maxresdefault.jpg)](https://youtu.be/NvrZEecpAOI)

> The AI Grid · 18:20 · 发布 2026-07-09 · 802次观看(截至抓取) · [观看原视频](https://youtu.be/NvrZEecpAOI)

## 主旨

The AI Grid 用近十个基准(Coding/SWE-bench/Terminal-Bench 2.1/Cursor Bench/GDP-val/Harvey 法律 agent 等)+ 两个实测 demo 横向展示 Grok 4.5,核心信息是「以远低于 Opus 4.8 的价格拿到 Opus 级别智能、且在真实任务上有肉眼可见的领先」,同时老实承认 Cursor Bench 数据污染、Twitter 口碑两极分化和演示 demo 与真实输出存在落差。

## 核心论点

1. **Grok 4.5 的卖点是「性价比区的智能天花板」而不是「绝对智能冠军」**——80% 阈值以上最便宜的输入/输出价格($2/$6)、4 倍 token 效率、80 tokens/s 速度,组合出的"够用且便宜"是其它前沿模型目前给不出的。(→ 详解1、详解3、详解4)
2. **基准分数 vs 真实任务的鸿沟(GDP-val 是个例外)在 Grok 4.5 上尤其明显**——GDP-val 这种"真实职业交付"基准 29% 反超 GPT 5.5 的 22%、Opus 4.8 的 21%,但同款演示 demo 在 Cursor 内复现却被吐槽"完全不可用",好/坏取决于任务的"展示性"程度。(→ 详解5、详解7)
3. **Cursor Bench 上 Grok 4.5 的耀眼成绩需要打折扣**——SpaceXAI 已收购 Cursor,Cursor 自己承认 Grok 4.5 因训练集意外包含 Cursor 旧代码库快照而有数据污染,基准第一不能等同于真实编码能力第一。([[#3-token-效率与定价grok-45-的杀手锏-0406|→ 详解3]])
4. **前沿模型对绝大多数人已经过剩**——Fable 5 仍是上限最高的模型,但大多数人用不到那个顶端,Grok 4.5 这种"够便宜就够用"的模型才是真正的目标受众,这与  token minimizing 的思路同向。([[#4-智能成本象限图grok-45-卡在性价比象限边缘-0647|→ 详解4]])

## 知识点详解

### 1. SWE-bench 1.0 与 Terminal-Bench 2.1:Grok 4.5 的硬基准 [00:37](https://youtu.be/NvrZEecpAOI?t=37)

Grok 4.5 在两个独立编码基准上同时跑赢 Opus 4.8 Max。SWE-bench 1.0 是软件工程基准,Grok 4.5 分数高于 Opus 4.8 Max;在 Terminal-Bench 2.1 上,Grok 4.5 拿到 83.3%,相对 Opus 4.8 Max 大幅提升,并追平 GPT 5.5([01:49](https://youtu.be/NvrZEecpAOI?t=109))。这两个基准不依赖 Cursor 内生态,是相对干净的第三方评估。

需要给 SWE-bench Verified 上下文的是,视频明确警告其可靠性正在被削弱——OpenAI 近期发推文称他们审计了 SWE Pro 后发现该基准有约 30% 的错误率,已"不再可靠地衡量前沿能力"([03:01](https://youtu.be/NvrZEecpAOI?t=181))。视频主张"基准有用但别全信",这与本仓库先前的 SWE-bench Verified 笔记(Agentic 工作流课·改变游戏)一致:基准是粗略参考,真实工程 agent 的评估必须落到 harness 里跑端到端任务。

### 2. 智能分层:Grok 4.5 对标 Opus 4.7 而非 Opus 4.8 [03:40](https://youtu.be/NvrZEecpAOI?t=220)

Grok 官方把 Grok 4.5 与 Opus 4.8 比较,但视频主理人主张更合理的对标是 Opus 4.7——Grok 4.5 在 Opus 4.7 与 Opus 4.8 之间,但更接近 4.7。这不是技术细节,而是关乎 token minimizing的选型边界:既然 Grok 4.5 ≈ Opus 4.7 而非 Opus 4.8,那么"用 Grok 4.5 替代 Opus 4.8"的判断不成立,只能替代 Opus 4.7 级别的任务。

### 3. Token 效率与定价:Grok 4.5 的杀手锏 [04:06](https://youtu.be/NvrZEecpAOI?t=246)

视频援引 Grok 自己的官方说明:Grok 4.5 服务速度 80 tokens/s、token 效率是"同任务最新领先模型的 4 倍"([04:10](https://youtu.be/NvrZEecpAOI?t=250)),单位 token 智能更高、思考更少、不易"吃光"用量上限。这条与  token minimizing 高度吻合——少 token 完成同任务是降低 token 总账单最直接的方法。

定价侧:Grok 4.5 是 80% 智能阈值以上的最便宜模型,输入 $2、输出 $6(每百万 token),对比 Opus 4.8 的 $5/$30、[Fable 5] 的 $10/$50([02:21](https://youtu.be/NvrZEecpAOI?t=141))。Opus 4.8 要达 80% 以上分数必须付 $5/$30,Grok 4.5 同样分数段只付 $2/$6,价格差 2.5–5 倍;与 Fable 5 的差距更大,但 Fable 5 是更高档的智能等级,不在同档竞争。视频强调"以 1/17 成本拿到 Fable 级表现"的转述,但主理人自己也承认"Fable 整体更好,只是多数任务用不到 Fable 顶端能力"。

### 4. 智能/成本象限图:Grok 4.5 卡在"性价比象限边缘" [06:47](https://youtu.be/NvrZEecpAOI?t=407)

视频力推的"智能/单位任务成本"散点图把模型按"每花一块钱拿到多少分"二维排列,最划算的象限是左上(智能高/成本低)。当前只有 Gemini 3.1 Pro preview 进入该象限,Grok 4.5 卡在象限边缘([07:09](https://youtu.be/NvrZEecpAOI?t=429))。这种图的价值不在精确分数,而在快速定位模型适合什么预算/任务,尤其是当新模型密集发布时,看图比逐项对比 benchmark 快得多。

视频的论点延续:前沿模型对绝大多数用户已过剩——即使 Fable 5 比 Grok 4.5 更强,大多数任务根本用不到顶端智能([06:30](https://youtu.be/NvrZEecpAOI?t=390))。这一观察与  token minimizing 同向:Grok 4.5 适合作为日常编码/通用任务的"主力 + Opus 4.7 替代品",而 Fable 5/Opus 4.8 Max 留给真正吃智能的高难度任务。

### 5. Cursor Bench 的矛盾:Grok 4.5 第一 + Cursor 承认数据污染 [05:03](https://youtu.be/NvrZEecpAOI?t=303)

Cursor Bench 是 Cursor 自家用来评估模型"能否在真实代码库上工作"的基准,涉及多文件、工具调用、代码理解、bug 排查、规划和代码审查等多维度长任务([05:03](https://youtu.be/NvrZEecpAOI?t=303))。Grok 4.5 在 Cursor Bench 上表现优于其他模型,但成本只要 $1.50/任务([05:45](https://youtu.be/NvrZEecpAOI?t=345))。

问题是 Cursor 自己承认,Grok 4.5 在该基准上有"不公平优势"——Cursor 一个早期快照意外被混入训练集([12:38](https://youtu.be/NvrZEecpAOI?t=758))。Cursor 在 benchmark 说明的细则里写到:"Grok 4.5 因训练集意外包含 Cursor 旧代码库快照而在 Cursor Bench 上有优势,具体影响未明,后续模型已剔除该数据。"叠加 SpaceXAI 已收购 Cursor 的既成事实([05:24](https://youtu.be/NvrZEecpAOI?t=324),交易额 $60B),这个基准读数几乎一定要打折——Cursor Bench 上的 Grok 4.5 分数不能直接当作"真实编码能力证明",更接近"该模型在自己代码库上的记忆重现能力"。

### 6. GDP-val:真实工作交付的硬指标,Grok 4.5 真的赢了 [08:32](https://youtu.be/NvrZEecpAOI?t=512)

GDP-val 衡量"真实职业交付"任务,Grok 4.5 跑出 29%,高于 GPT 5.5 的 22% 和 Opus 4.8 的 21%([08:32](https://youtu.be/NvrZEecpAOI?t=512))。这是本片里少数"没被污染、不可被收购方干预"的外部基准,具有特别价值——意味着在"做实际能交付的工作"这件事上,Grok 4.5 可能确实领先当前一线前沿。

但视频同时警告:29% 这个数字需要等真实使用复测确认,如果独立测试也能复现,这会是一次重要跨越。

### 7. Harvey 法律 agent 基准:小众但有信号意义 [10:55](https://youtu.be/NvrZEecpAOI?t=655)

Harvey 是面向律所的 AI 公司,其法律 agent 基准测试 agent 在文档/电子表格/演示/文件系统工具上完成真实法律工作的能力。Grok 4.5 在该基准上排名第一,得分 12.92%、单次成本 $2、延迟低([11:00](https://youtu.be/NvrZEecpAOI?t=660))。

这个数字偏低的客观原因:法律任务本就极难,各模型在该基准上的得分都不高。但信号意义是"Grok 4.5 在 agent 工具调用 + 多文档协作"上达到一线水平,叠加成本优势,可能成为法律 agent 应用场景里值得优先试用的模型。视频也注意到 GPT 5.5、Opus 4.8 等更高智能档模型在该基准上未排进前列,显示这个领域反而是"工具使用熟练度"而非"原始智能"起决定作用。

### 8. 真实编码复现:Mollick shader 测试与 GMcloud 火箭发射测试 [16:03](https://youtu.be/NvrZEecpAOI?t=963)

Ethan Mollick 用同一提示("用 Twiggle app 写一个无限哥特塔楼的程序化生成场景")分别测试 Fable 5、Opus 4.8、Grok 4.5。Fable 5 输出明显视觉最佳,Opus 4.8 中规中矩,Grok 4.5 输出明显粗糙([16:03](https://youtu.be/NvrZEecpAOI?t=963))。GMcloud 的"火箭发射可视化"小测试里,Grok 4.5 vs Opus 4.8 vs GLM 5.2 vs Sonnet 5,Grok 4.5 表现"能打但非最佳",几款模型差异主观偏好成分较大。

视频主理人把这归结为"Jagged Intelligence Frontier(锯齿状智能前沿)"——模型在不同任务上的表现有起伏,不能用单一 benchmark 推断整体能力。这也是对评测社区的提醒:GDP-val 上的领先不能等同于"每个真实任务都领先",仍要按场景实测。

### 9. 推特口碑两极分化与可信度提示 [12:30](https://youtu.be/NvrZEecpAOI?t=750)

视频主理人主动呈现负面声音:有推主称"the code output was horrible, the UI isn't even close to OPUS 4.5"([14:10](https://youtu.be/NvrZEecpAOI?t=850));另有人在 Cursor 内复现 demo 视频里的天气 app 生成,得到"完全不像 demo"的结果。这与 GMcloud 和 Mollick 测试的"能用但粗糙"形成一致图景:Grok 4.5 在"展示型任务"(简短、明确、demo 用)上表现好,在"长链路交付型任务"(需要多次迭代、调优、UI 打磨)上不如 Opus 4.8。

这是对采信折扣的直接证据:同一基准不同人复测能得到不同结论,与本仓库反复强调的"基准是参考,真实复测才是判决"一致。

### 10. 后续路线图:Imagine 工具 + 1M context [17:52](https://youtu.be/NvrZEecpAOI?t=1072)

视频末段透露两项未来更新:Grok 将能在 agentic 模式下调用 Imagine 做视频生成(对游戏开发者尤其有用);Grok 4.5 的 context window 将于"下周左右"升级到 1M([18:03](https://youtu.be/NvrZEecpAOI?t=1083))。两项更新若按期落地,会让 Grok 4.5 在多模态 agent 和长文档任务上进一步追平/超越当前一线模型。

## 可执行步骤

- [ ] 如果当前主力模型是 Opus 4.7/4.8 但成本吃紧,先把日均高 token 消耗的任务(代码补全、文档改写、轻量 agent)迁到 Grok 4.5,保留 Opus 4.8 Max/Fable 5 给真正吃智能的任务。
- [ ] 在评估 Grok 4.5 时,**不要用 Cursor Bench 数字作为选型依据**——Cursor 已承认数据污染,直接拿真实项目里跑一次端到端编码任务更可靠。
- [ ] 跑一次 GDP-val 风格的"真实职业任务"复测(取一段自己工作里中等复杂度的交付物作为 prompt),对照你当前主力模型的输出,判断 Grok 4.5 是否真能在你的工作流里替代。
- [ ] 把"前端/UI/可视化交付"这类偏主观的任务留给 Opus 4.8 Max/Fable 5,Grok 4.5 适合"代码逻辑/数据/文字/agent 工具调用"类偏理性的任务。
- [ ] 关注 1M context + Imagine 视频生成两个更新落地后的实测,届时再评估 Grok 4.5 是否值得作为多模态 agent 的主力。

## 关联

- 印证:[[2026-06-23-GLM 5.2 开源模型逼近旗舰模型的成本实测与接入指南|GLM 5.2 成本实测与接入]] 把"在特定基准上以 1/N 成本逼近旗舰"作为 GLM 5.2 的核心卖点;Grok 4.5 的"在 80% 阈值上以 1/2.5–5 价格拿到 Opus 级别"是同一论证的闭源版本,且在 GDP-val 这种真实任务基准上验证了领先。
- 互补:[[2026-06-22-GLM 5.2 实测：与 Opus 4.8、GPT 5.5 的三方对比|GLM 5.2 三方对比]] 给出"GLM 在视觉/设计任务上输给 Opus/GPT"的具体任务层判断;本片给出"Grok 4.5 在 Mollick shader 测试里输给 Fable 5/Opus 4.8"的另一组场景层判断——两篇合看可拼出"前沿模型在视觉/设计类任务上整体仍弱于 Fable 5"的跨模型共识。
- 进阶:[[2026-07-05-Fable5九个最疯狂案例|Fable5九个最疯狂案例]] 给出 Fable 5 在 9 种长代码库任务上的实际 demo;本片给出的"Mollick shader 测试"中 Fable 5 仍优于 Opus 4.8 和 Grok 4.5——**先读 Fable 5 那篇建立"智能天花板"基线,再读本片理解"够用就好"档位的实际边界**,两篇合读对个人/团队的模型选型最有价值。
- 冲突/更新:本片"GDP-val 上 Grok 4.5 29% 反超 GPT 5.5/Opus 4.8"与 [[2026-06-22-GLM 5.2 实测：与 Opus 4.8、GPT 5.5 的三方对比|GLM 5.2 三方对比]] 中"Opus 4.8 在视觉/设计任务上仍居首"的论点不直接冲突,但**判定变量是评测维度**(真实职业交付 vs 视觉设计交付)——同一前沿模型在两个判定下可能都成立,但方向相反;具体场景需独立复测,本篇不下总判决,标"待裁决"。
- 差异:[[2026-07-09-Grok 4.5 实测：xAI 拿到 Cursor 数据后首款模型追上 Opus 阵营|Grok 4.5 实测·追上 Opus]] 是同一天另一频道(wes-roth)对同一模型的动手实测(3D 帆船/RPG/50 街区城市),视角与本片互补——本片偏基准横评与性价比象限、且重点拆 Cursor Bench 数据污染,那篇偏实操能力与训练数据护城河。两篇合读拿到"跑分 vs 实操"两侧对 Grok 4.5 的一致结论。

## 一手来源与延伸

- 视频中明确引用的原始推文/X 链接(均取自 .meta.json 的 description):
  - [OpenAI 关于 SWE Pro 30% 错误的推文](https://x.com/OpenAI/status/2074907031862190406)
  - [GMcloud 火箭发射对比测试推文](https://x.com/gmi_cloud/status/2074989487894282739)
  - [MagratheanUK 推文](https://x.com/MagratheanUK/status/2074931334049312784)
  - [Ethan Mollick shader 测试推文](https://x.com/emollick/status/2060042738637148470)
  - [Bridgemind AI 测评推文 1](https://x.com/bridgemindai/status/2074935970525306910) 与 [Bridgemind AI 测评推文 2](https://x.com/bridgemindai/status/2074914739403296844)
  - [TechDev Notes 关于 Harvey 法律基准的推文](https://x.com/mweinbach/status/2074940472926122425)
  - [SpaceXAI 官方发布推文](https://x.com/SpaceXAI/status/2074915721684086811)
  - [Ethan Mollick 第二条相关推文](https://x.com/emollick/status/2074995698479542291)
  - [XFreeze 截图推文](https://x.com/XFreeze/status/2074936782639210582/photo/1) 与 [HarshithLucky3 推文](https://x.com/HarshithLucky3/status/2074925960256971040)

## 术语

- Token 效率(token efficiency):同任务消耗的 token 数,越高越省钱——Grok 4.5 官方称比同档模型高 4 倍。
- Frontmatter-style note:本文按 note-spec 写的笔记结构本身(非 Grok 相关术语)。
- Frontier intelligence:前沿智能档,即在主流 benchmark 上达到 80% 阈值以上的模型级别。
- Jagged Intelligence Frontier(锯齿状智能前沿):同一模型在不同任务上表现差异巨大、不能用单一 benchmark 推断整体能力的现象。
- Cursor Bench:Cursor 公司自家的内部基准,测试模型在真实代码库上的工程能力(本片警告有数据污染问题)。

## 金句

> "Grock 4.5 is here, and this delivers frontier level intelligence at a relatively reasonable cost and high-speed performance at reasonably good levels of intelligence." → 一句话点明定位:不是绝对智能冠军,而是"性价比档位的智能天花板",这是 Grok 4.5 整张牌的根基。[00:03](https://youtu.be/NvrZEecpAOI?t=3)

> "most people just simply won't ever see that upper echelons of capability because their standard tasks don't really require that level of intelligence." → 智能过剩论——与  token minimizing 同向,提醒"够便宜就够用"才是大多数用户该选的方向,而非追最强模型。[06:30](https://youtu.be/NvrZEecpAOI?t=390)

> "this is faster than Flash model." → Grok 4.5 的速度牌:80 tokens/s 的服务速度叠加 4 倍 token 效率,在 agentic 长任务里能跑得又快又省。[03:54](https://youtu.be/NvrZEecpAOI?t=234)

## 立场与利益

本片主理人(The AI Grid)在 .meta.json description 中明显在导流到自有 Skool 社区与 beehiiv newsletter,该频道主营"AI 教育/社群订阅"模式,核心利益是把 AI 热度变现为订阅与社群入会。**采信折扣分析**:

- 与利益同向(待印证):
  - "Grok 4.5 性价比最好"是带货型内容最常用的兴奋点,需独立复测;
  - "Cursor Bench 上 Grok 4.5 第一"的转述未提及数据污染事实(虽然在后续章节披露),前期转述属选择性报道。
- 利益中性(按内容本身采信):
  - GDP-val 29% vs GPT 5.5 22% vs Opus 4.8 21%——纯数字对比,且来源 TechDev Notes 推文,可独立验证;
  - Terminal-Bench 2.1 83.3% / SWE-bench 1.0 高于 Opus 4.8 Max——数字清晰、来源明确。
- 与利益反向(可信度最高,单独标出):
  - 主理人主动披露 Cursor Bench 的数据污染细节,这是明显不利于"吹爆 Grok 4.5"叙事的事实仍说出口;
  - 主理人主动展示 Twitter 上"完全没用"的差评而非只挑好评;
  - 主理人承认"Fable 5 整体更好,Grok 4.5 只是更便宜"——这是少见的"对手比我强我也承认"立场,与带货型频道通常的"我家模型就是最强"话术相反。

证据一行带过:Skool 社群(https://www.skool.com/the-aigrid-community-1726)与 beehiiv newsletter 是该频道主要变现路径,作者立场是"独立测评+社区变现"组合,内容可信度高于纯带货但仍需读者自行复测关键数字。

## 价值定位

对**关心前沿模型选型与性价比的开发者/AI 重度用户**有较高价值:

- 适合谁:目前主力用 Opus 4.7/4.8 或 GPT 5.5 做日常编码、agent 编排的开发者,关心 token 成本与"何时该升级/降档"。
- 解决什么:把 Grok 4.5 放进已有的"模型分层使用"工具箱——80% 阈值上最便宜、GDP-val 上真实领先、但 Cursor Bench 不可信;**直接回答"Grok 4.5 能不能替代我当前主力"这一具体决策问题**。
- 认知 vs 实操:本片 90% 是认知/决策信息(基准对比、定价层级、争议点),不提供具体接入教程(API/SDK 留给后续视频)。对本片目标受众的实操建议是"先在 Cursor IDE 里试跑一次 GDP-val 风格任务"做最终判决。
- 与 [[2026-07-05-Fable5九个最疯狂案例|Fable5九个最疯狂案例]] 重叠:两片都评测前沿模型,但本片独有"性价比象限分析 + 真实任务基准对比 + Cursor 数据污染提醒"组合,是 Fable 5 那篇无法替代的;关系类型与论证归关联节,此处不重复。

## 自检问题

1. Grok 4.5 在哪个基准上被官方承认为"数据污染导致的不公平优势",这个基准还能不能用?

   **答案**:Cursor Bench。Cursor 自己在 benchmark 说明中承认 Grok 4.5 因训练集意外包含 Cursor 旧代码库快照而有"不公平优势",且 SpaceXAI 已收购 Cursor($60B)。结论:不能直接用 Cursor Bench 分数作为 Grok 4.5 编码能力的证据,需用其他基准或真实项目复测。详见「详解5」。[12:38](https://youtu.be/NvrZEecpAOI?t=758)

2. Grok 4.5 在 GDP-val 上的 29% 意味着什么,与 GPT 5.5/Opus 4.8 对比时该如何解读?

   **答案**:GDP-val 是真实职业交付基准,Grok 4.5 29% > GPT 5.5 22% > Opus 4.8 21%。意味着在"做真实能交付的工作"这件事上,Grok 4.5 可能领先当前一线前沿——但视频主理人明确建议独立复测确认,且这只是单一基准,不能等同于"所有任务都领先"。详见「详解6」。[08:32](https://youtu.be/NvrZEecpAOI?t=512)

3. Grok 4.5 的"token 效率 4 倍于 Opus 4.8"和"输入 $2 输出 $6"的组合,意味着什么?

   **答案**:单位任务上 Grok 4.5 既少用 token(每条消息消耗更少)、单价又低,合计成本约为 Opus 4.8 的 1/2.5–1/5;在 80% 智能阈值以上档位,Grok 4.5 是当前最便宜的闭源前沿模型。适合作为日均高 token 消耗任务的主力,以 Opus 4.8 Max/Fable 5 作为高难度任务的备用。详见「详解3」。[04:10](https://youtu.be/NvrZEecpAOI?t=250)

4. Grok 自身声称对标 Opus 4.8,视频主理人主张更合理的对标是哪个?为什么?

   **答案**:Opus 4.7。Grok 4.5 在 Opus 4.7 与 Opus 4.8 之间但更接近 4.7。这关乎选型边界——"用 Grok 4.5 替代 Opus 4.8"不成立,只能替代 Opus 4.7 级别的任务。详见「详解2」。[03:40](https://youtu.be/NvrZEecpAOI?t=220)

5. Grok 4.5 在视觉/设计类任务上的实际表现如何,视频证据是什么?

   **答案**:Mixed。Mollick shader 测试中 Grok 4.5 输出明显粗糙,不如 Fable 5 与 Opus 4.8;GMcloud 火箭发射测试中 Grok 4.5 "能打但非最佳"。结论:Grok 4.5 在偏主观/视觉/设计类任务上不如 Opus 4.8 Max 和 Fable 5,适合偏理性的代码/数据/agent 任务。详见「详解8」。[16:03](https://youtu.be/NvrZEecpAOI?t=963)