Grok 4.5 vorgestellt
(x.ai)- SpaceXAI hat mit Grok 4.5 sein Topmodell vorgestellt, das auf Coding-, agentische Aufgaben und Wissensarbeit ausgerichtet ist
- Der Trainingsprozess setzte auf zehntausende NVIDIA-GB300-GPUs sowie auf Deduplizierung, Qualitätsbewertung und domänenspezifische Auswahl der Daten und betonte damit stärker die Signalqualität als die reine Token-Menge
- In Benchmarks erreichte das Modell bei Terminal Bench 2.1 83,3 %, bei SWE Bench Pro 64,7 %, bei DeepSWE 1.0 62,0 % und bei DeepSWE 1.1 53 %
- Die Serving-Geschwindigkeit liegt bei 80 TPS; bei SWE-Bench-Pro-Aufgaben beträgt die durchschnittliche Anzahl ausgegebener Tokens 15.954 und damit rund 4,2-mal weniger als bei Opus 4.8(max) mit 67.020
- Grok 4.5 ist in Grok Build, in allen Cursor-Plänen und in der SpaceXAI-Konsole verfügbar, wird in der EU aber noch nicht angeboten und ist dort für Mitte Juli geplant
Training und Bewertung für Coding- und agentische Aufgaben
- Grok 4.5 wurde mit Datensätzen trainiert, die Wissen aus Coding, Wissenschaft, Engineering und Mathematik umfassen; als zentrale Einsatzgebiete gelten reale Engineering-Aufgaben und agentische Workloads
-
Benchmark-Ergebnisse
- Die Werte der Vergleichsmodelle stammen aus den veröffentlichten System Cards der jeweiligen Anbieter oder von Benchmark-Leaderboards
- DeepSWE 1.0: Grok 4.5 62,0 %, Fable(max) 66,1 %, GPT 5.5(xhigh) 64,31 %, Opus 4.8(max) 55,75 %, Opus 4.7(max) 40,12 %
- DeepSWE 1.1: Grok 4.5 53 %, Fable(max) 70 %, GPT 5.5(xhigh) 67 %, Opus 4.8(max) 59 %, GLM 5.2 44 %
- Terminal Bench 2.1: Grok 4.5 83,3 %, Fable(max) 84,3 %, GPT 5.5(xhigh) 83,4 %, Opus 4.8(max) 78,9 %, Opus 4.7(max) 78,9 %
- Lösungsrate bei SWE Bench Pro: Grok 4.5 64,7 %, Fable(max) 80,4 %, Opus 4.8(max) 69,2 %, Opus 4.7(max) 64,3 %, GLM 5.2 62,1 %, GPT 5.5(xhigh) 58,6 %
-
Trainingsinfrastruktur und Datenverarbeitung
- Die Trainingsinfrastruktur nutzte zehntausende NVIDIA-GB300-GPUs und umfasste Stabilitätsverfahren für groß angelegte Trainingsläufe
- Bei der Datenverarbeitung wurde stärker in Filterung und Kuratierung investiert als in die reine Token-Menge
- Deduplizierung
- Qualitätsbewertung
- domänenspezifische Auswahl
- Das Reinforcement Learning konzentrierte sich auf Intelligenz pro Token und wurde über hunderttausende Aufgaben hinweg durchgeführt
- Zentrale Aufgaben waren mehrstufiges Software Engineering und andere technische Tätigkeiten
- Für die Bewertung kamen automatische Bewertung und modellbasierte Bewertung zum Einsatz
- Agentische Rollouts können sich über mehrere Stunden erstrecken; das Training verwendet einen asynchronen Trainings-Stack, der auf zehntausenden GPUs weiterläuft
-
Beispiele für Coding-Anwendungen
- Grok 4.5 wird als stark bei Coding-Aufgaben dargestellt, von schwierigen Arbeiten in Rust und C/C++ bis hin zur promptbasierten End-to-End-Erstellung von Apps
- Ein Beispiel-Prompt verlangt die Erstellung einer Weltraum- und Sonnensystem-Simulation mit threejs inklusive Zeitsteuerung, realistischer Bewegung, Umlaufbahnen, Sternen und modernem HUD
Geschwindigkeit, Preis und Unterstützung für Arbeitstools
- Grok 4.5 wird mit einer Modellgeschwindigkeit von 80 TPS bereitgestellt
- Bei SWE-Bench-Pro-Aufgaben liegt die durchschnittliche Ausgabe bei 15.954 Tokens und damit rund 4,2-mal niedriger als die 67.020 von Opus 4.8(max)
- Der Preis beträgt 2 US-Dollar pro 1 Million Input-Tokens und 6 US-Dollar pro 1 Million Output-Tokens
- SpaceXAI gibt an, dass Grok 4.5 gegenüber führenden Vergleichsmodellen ungefähr die doppelte Token-Effizienz erreicht und Aufgaben mit weniger als der Hälfte der Schritte löst
-
Grok Build und Office-Plugins
- Grok 4.5 ist das Standardmodell von Grok Build
- Mit Grok Build lassen sich komplexe Excel-Modelle erstellen, die Web-Recherche, Formeln über mehrere Sheets hinweg sowie Stickies oder Notizen für spätere Referenz enthalten
- In PowerPoint können komplexe Diagramme mit nativen Formen erstellt und intuitive Slide-Inhalte entworfen werden
- In Word unterstützt es das Schreiben klarer Sätze
- Die Office-Plugins sind für Word, PowerPoint und Excel verfügbar
-
Verfügbare Kanäle und Einschränkungen
- Grok 4.5 ist derzeit in Grok Build, in Cursor für alle Pläne und in der SpaceXAI-Konsole verfügbar
- In begrenztem Umfang wird in Grok Build und Cursor eine kostenlose Nutzung von Grok 4.5 angeboten
- In der EU ist Grok 4.5 in SpaceXAI-Produkten oder der API-Konsole noch nicht verfügbar; die Bereitstellung wird für Mitte Juli erwartet
1 Kommentare
Meinungen auf Hacker News
Es fällt schwer, xAI zu vertrauen, wenn man weiß, dass das Unternehmen Modellantworten aktiv an politische Narrative anpasst.
Es stellt sich die Frage, wie man einem Modell in Unternehmensumgebungen vertrauen soll, das im Backend ständig in eine bestimmte Richtung gelenkt wird.
Selbst wenn man das Modell auf eine Lüge hinwies, dürfte es nicht leicht gewesen sein, es dazu zu bringen, zuzugeben, dass dies am RLHF-Prozess und eingebauten Biases liegt.
Wenn man Claude dazu bringen kann, selbst zu sagen, dass es in 10 bis 15 wichtigen Forschungsbereichen nicht verwendet werden sollte, oder einzugestehen, dass bei „schwierigen“ Themen Quellen häufig cherry-picking-artig ausgewählt werden und ein extrem falsches Gleichgewicht entsteht, bekommt man den Eindruck, dass alle LLMs voreingenommen sind und die meisten eher in eine progressive Richtung tendieren.
Tests hätten vielmehr gezeigt, dass Grok oft politisch korrektere Antworten gibt als GPT oder Gemini, und dass es nur deshalb seinen scharfen Ruf bekommen hat, weil X-Nutzer gezielt politisch unkorrekte Aussagen aus ihm herauslocken konnten.
Grok auf grok.com oder in der App sei in Wirklichkeit ziemlich zahm, sogar langweilig.
Wenn man es nur für Codegenerierung nutzt, warum sollte einen dieser Punkt kümmern?
Grok übt auch Kritik an Elon und widerspricht mehreren extrem rechten Argumentationslinien, die er vertritt.
Es überrascht, dass Leute Grok nutzen wollen.
xAI wirkt allzu offensichtlich wie ein moralisch bankrottes Unternehmen, und wie die einzige AI-Firma, die CSAM offenbar in Ordnung findet oder zumindest nicht genug tut, um es zu verhindern.
Es gibt keinen Grund, dem Unternehmen Geld zu geben; vielleicht, wenn es die einzige Option wäre, aber das ist derzeit keineswegs der Fall.
Die Interpretation ist, dass sie CSAM aktiv gutheißen oder sich einfach nicht darum kümmern.
Historisch hat es selten gute Ergebnisse gebracht, festzulegen, wer moralischer ist.
Also nutze man Grok, habe so viel Geld an chinesische NGOs gespendet, dass es der Familie unangenehm sei, und spende nicht an gemeinnützige Organisationen in SF, weil noch eine Hypothek laufe und man selbst bis zu einem gewissen Grad egoistisch sei.
Moral und Wohltaten sollte man mit einer praktischen Haltung angehen.
Grok gefalle in vielerlei Hinsicht, und ein Boykott sei moralisch gut, aber es gebe viele andere moralische Entscheidungen, die man treffen könne, ohne die Realität aus den Augen zu verlieren.
Die Trainingskorpora seien größtenteils gestohlen, und alle liefen weiter, obwohl sie Schulden aufgenommen hätten, aus denen sie nur schwer wieder herauskommen.
Doch die Produkte seien so nützlich geworden, dass kaum jemand abwarten und auf ein „moralisch akzeptables“ LLM verzichten werde; ein solches Modell wäre zwangsläufig wahrscheinlich deutlich schlechter.
Bei CSAM sei eine Beurteilung allerdings schwierig, und falls xAI das wirklich in Ordnung finde, stimme man zu, dass es unmoralischer ist als andere Unternehmen.
Grok 4.5 wirkt sehr wirtschaftlich.
Gegenüber Opus hat es eine 4-mal bessere Inferenz-Effizienz und kostet $2/$6; zum Vergleich: GPT 5.4 liegt bei $2.5/$15, GPT 5.5/5.6 bei $5/$30, Opus 4.8 bei $5/$25 und Fable bei $10/$50.
Wenn die Benchmarks nicht manipuliert wurden, wirkt es ungefähr auf dem Niveau von Opus 4.7, und das passt auch zu dem, was Elon unter https://x.com/elonmusk/status/2074911038286295049 gesagt hat.
Die Cursor-Daten dürften ziemlich nützlich gewesen sein.
Darüber hinaus, bis zum maximalen Kontext von 500K, verdoppelt sich der Preis auf $4/$12.
https://docs.x.ai/developers/models/grok-4.5
Man nutze die Grok-Version für $40 pro Monat, könne damit aber höchstens etwa 8 Stunden im Monat „ununterbrochen“ mit Grok Build coden.
Wenn xAI nicht deutlich leistungsfähiger oder wenigstens etwas ehrlicher wirkt als chinesische Labore, könnte man die Arbeit auch einfach nach China schicken, sofern es nicht wesentlich teurer ist.
Grok steckt in einer unklaren Position fest: In keinem Bereich ist es das beste Modell, und es ist auch nicht das günstigste.
Schon vor Berücksichtigung der Vorgeschichte ist es schwer, einen Grund für die Nutzung zu finden; außerdem ist fraglich, ob der Vorschlag, in einem Unternehmen ein Modell einzusetzen, das sich selbst „MechaHitler“ nennt, der Karriere förderlich wäre.
Laut dem Cursor-Blog wurde das Modell mit Billionen von Tokens aus Cursor-Daten trainiert, die umfangreiche reale Nutzerinteraktionen mit Codebases und Software-Tools enthalten.
Dank dieses Datensatzes kann es nicht nur von bestehender Software lernen, sondern auch von Interaktionen zwischen Entwicklern und Agenten, und es erfasst, wie Entwickler arbeiten und wie Agenten mit ihrer Umgebung interagieren.
Ich denke, genau darin liegt der Grund, warum so viel Geld hineingeflossen ist. Cursor war der erste große Player, der echte Projektdaten hatte, noch bevor Claude Code oder Codex richtig Fahrt aufnahmen.
Für schwierige Probleme in realistischen Umgebungen wurde Reinforcement Learning eingesetzt, um Problemuntersuchung, Tool-Nutzung, Fehlerbehebung und Ergebnisvalidierung zu lehren; und da bestehende Aufgaben irgendwann nichts Neues mehr beibringen konnten, mussten Probleme entworfen werden, die so schwierig waren, dass selbst Frontier-Modelle daran scheitern.
Man baute ein verteiltes Agentensystem, bei dem Ingenieure Probleme und Validierungsmethoden festlegen, während Agenten in großem Maßstab Umgebungen aufsetzen, testen und verbessern; die Struktur besteht darin, mit Modellen der vorherigen Generation Datensätze für die nächste Trainingsiteration vorzubereiten.
Je besser das Modell wird, desto besser werden auch die Daten, und desto besser wird wiederum das nächste Modell – ein Kreislauf. Für diejenigen, die meinen, „chinesische Modelle seien nahe am aktuellen Spitzenniveau“, gibt es auch einen Vergleich mit dem Training von Composer 2.5.
Die Einschätzung, xAI sei nach der Abgabe vieler Rechenressourcen an Anthropic abgestürzt, wirkt etwas übertrieben; Grok 4.5 wurde auf Zehntausenden NVIDIA-GB300-GPUs trainiert.
Früher hielt man das für eine schlechte Idee, aber es hat sich gezeigt, dass die Qualität ziemlich gut werden kann, wenn man viel Rechenleistung einsetzt, um ein Scaffold zum Erzeugen und Bewerten der Daten aufzubauen.
Im Grunde beschreibt man damit wohl das, was viele Distillation nennen; nach meinem Verständnis ist das nur nützlich, um im Post-Training Verhalten anzustoßen, und lehrt nur Verhaltensweisen, nicht aber, wie man denkt.
Ich kann mich irren; es wäre gut, wenn jemand, der sich besser auskennt, das erklären könnte.
Ich verstehe nicht, wie es wirtschaftlich Sinn ergeben soll, Milliarden von Dollar auszugeben, um das drittbeste Modell zu bauen.
Schon Nummer eins und zwei scheinen kaum profitabel werden zu können; ich frage mich, was ich übersehe.
Ich will das nicht ganz im Stil von Ed Zitron bis zum Ende durchziehen, aber ich verstehe es nicht.
Kurzfristig sind die Labs nicht profitabel, und Anthropic ist Berichten zufolge fast so weit.
Auch Amazon war lange dafür bekannt, keinen Gewinn zu machen, gewann am Ende aber groß; ob es heute profitabel ist, ist für Investoren nicht zwingend der Kernpunkt. Entscheidend ist, ob man an künftige Gewinnchancen glaubt.
Elon scheint davon auszugehen, dass künftig große Teile der Wirtschaft von AI betrieben werden und dass der wirtschaftliche Wert von Tokens schneller steigt als die Kosten für die Erzeugung dieser Tokens. Dazu gehört auch die Abschreibung der Trainingskosten des Modells, das diese Tokens erzeugt.
Deshalb baut er ein Lab auf, das Modelle trainiert und Gebühren für Inferenz verlangt, und er scheint zu glauben, dass es letztlich profitabel wird, auch wenn es das derzeit nicht ist.
Dem kann man zustimmen oder nicht, und ob er Anthropic/OpenAI schlagen kann, ist angesichts der jüngsten Schwierigkeiten, Forscher zu halten, noch unsicherer; aber die aktuelle Profitabilität ist kein guter Indikator dafür, ob man an zukünftige Gewinnmöglichkeiten glaubt.
Tesla und SpaceX waren ebenfalls äußerst unprofitabel, aber irgendwann war das nicht mehr so.
Persönlich stimme ich zu, dass es in Zukunft enorme Gewinne geben wird, bin aber nicht ebenso überzeugt davon, dass Elon die Fähigkeit hat, Anthropic/OpenAI zu schlagen.
einen Durchbruch finden, einen Vorteil gewinnen und eine dominante Position erreichen.
Außerdem steigen die nötigen Kennzahlen, wenn rund um ein Unternehmen das Wort AI steht; daher ist eine interne AI-Sparte, die Musk mit seinen anderen Unternehmen bündeln kann, um die Bewertung nach oben zu treiben, für ihn nützlich, selbst wenn das Produkt selbst Verluste macht.
Ein vielfältiger Markt mit vielen Optionen verhindert, dass sich die Browserkriege wiederholen.
Es gab viele Technologiemärkte, in denen die Frühphase die Spätphase nicht vorhersagen konnte.
Ich persönlich bin gegenüber Grok skeptisch, aber wenn Claude seinen Vorsprung verliert, könnte Grok über die Cursor-Integration eine profitable Nische schaffen.
Ich hatte OpenRouter auf ausschließlich ZDR eingestellt und deshalb nie Grok-Modelle ausprobiert.
Gerade habe ich nachgesehen, und anscheinend gibt es jetzt einen ZDR-xAI-Endpoint, also werde ich es tatsächlich einmal versuchen.
Ich frage mich, ob jemand weiß, wann der hinzugefügt wurde.
Allerdings steht beim Punkt Anonymität „Requires user IDs“, was bei OpenRouter ungewöhnlich ist und keinen besonders guten Eindruck macht. Normalerweise fungiert OpenRouter als Proxy, der Anfragen anonymisiert an Anbieter weiterleitet, aber ich habe keine Einstellung gefunden, die das wie bei ZDR-only kontoübergreifend erzwingt.
Der erste Eindruck ist ziemlich gut.
Die Tokens pro Sekunde sind hoch, grob um die 90, und auch die Token-Effizienz ist sehr hoch, sodass es GPT 5.5, Opus 4.8 und GLM 5.2 bei der Geschwindigkeit locker schlägt.
Auch der Preis ist sehr gut; wenn man die API-Kosten selbst trägt, sind GPT und Opus übermäßig teuer, und unter Berücksichtigung der Token-Effizienz könnte es vermutlich sogar günstiger sein als GLM 5.2.
Um das Intelligenzniveau einzuschätzen, wird es eine ganze Weile dauern, aber es ist eindeutig gut und scheint zusammen mit GLM 5.2 im unteren Bereich derselben Klasse wie Opus zu liegen.
Ich hatte in Cursor zu dem Problem „Diese Testsuite ist nicht so stark, wie ich sie gern hätte, und sie hängt zu oft vom internen Zustand statt von Ergebnissen ab“ gesagt: „Bitte prüfe das und schlage eine Lösung vor.“ Daraufhin fasste es Testansatz, Stärken, Schwächen und Lücken gut zusammen und empfahl einen systematischen Mehrfachansatz auf Basis der bewährten Testbibliothek https://hypothesis.readthedocs.io/en/latest/.
Es trennte die Aufgaben für diese Verbesserungsrunde von Dingen, die auf später verschoben werden sollten, identifizierte Fälle, die sehr schwierig oder möglicherweise außerhalb des Scopes liegen, und gab mir die Option, mich darauf zu konzentrieren; außerdem strukturierte es die neuen Tests logisch.
Nach einer Feedbackrunde und einer Plananpassung ließ ich es im Agent-Modus laufen, und nach ein paar Minuten gab es eine deutlich bessere Testsuite.
Ich hatte Grok noch nie benutzt und daher niedrige Erwartungen, aber es erledigte eine komplexe, fein abgestimmte mehrstufige Aufgabe, die ich früher nur GPT oder Opus anvertraut hätte, hervorragend.
Als Update: Es hat auch einen alten, echten Bug gefunden. Nachdem ich es nach der Testverbesserung den gesamten Code und das Packaging prüfen ließ, fand es nicht nur kleinere Defekte und Auslassungen, sondern auch eine Schwäche in der Fehlerbehandlung sowie einen ziemlich peinlichen Funktionsbug, behob beides und fügte sogar Tests hinzu.
Es vermasselt ständig selbst grundlegende Anfragen, die kaum Kontext brauchen; als ich es zum Beispiel bat, eine Helper-Funktion zu inlinen, schrieb es statt einer Änderung von 10 Zeilen die Hälfte der zugehörigen Module neu.
Von den drei Modellen, die ich selbst ausprobiert habe, war Grok für den persönlichen Gebrauch am besten darin, die iOS-App zu bauen, die ich wollte.
Es war eine Fahrradcomputer-App mit bestimmten Anforderungen, und Claude wollte aufgeben und zu einer HTML/CSS-Implementierung wechseln, während ich auf nativem SwiftUI+Metal bestand.
Grok macht auch gelegentlich Fehler, aber ich war überrascht, wie gut es Dinge erschloss, von denen ich dachte, ich müsste sie Schritt für Schritt vorgeben.
Da ich kein iOS-Entwickler bin, war es wirklich hilfreich, statt Monate oder Jahre die Sprache und APIs zu lernen, in ein paar Stunden oder Tagen das zu bekommen, was ich brauchte.
Das ist überhaupt kein „Vibe Coding“ von Caddy, sondern eher Herumprobieren an einem persönlichen Projekt.
Du sagst nicht, welches Modell du verwendet hast, aber Opus 4.8 oder Sonnet haben bei mir nie die gewünschte Sprache und den Stack ignoriert.
Ich frage mich, ob du wirklich Opus oder ein anderes Modell verwendet hast.
Der Kern war derselbe: eine Fahrradcomputer-iOS-App und irgendein Modell, das aufgegeben habe.
Unabhängig davon bin ich Caddy wirklich dankbar. Es hat mir beim Start eines neuen Projekts sehr geholfen, und es funktionierte im Default-Zustand einfach so gut, dass bei unserem Team-Onboarding eine mögliche Fehlerquelle weniger zu beachten war.
Vielleicht war es ein schwächeres Modell wie Haiku; Claude sollte nicht so schlecht sein, wie beschrieben.
Der Webserver gefällt mir.
Auch Cursor war am Modelltraining beteiligt, und der Ankündigungsbeitrag steht unter https://cursor.com/blog/grok-4-5.
Besonders wird erwähnt, dass Grok 4.5 und Composer 2.5 unterschiedliche Modellgewichts-Klassen sind und dass man sich freue, nun beide Größen und Gewichte unterstützen zu können.
Composer 2.5 bleibt weiter verfügbar, und es sollen auch künftig neue Modelle dieser Größe veröffentlicht werden.
Der Unterschied ist nicht groß genug, um wirklich von unterschiedlichen Gewichtsklassen zu sprechen.
Der API-Preisunterschied liegt bei etwa dem 2,5-Fachen, vermutlich weil xAI viel höhere Kosten wieder hereinholen muss.
https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
https://aibenchy.com/showcase/?q=grok