Grok 4.5 转向编码与 Agent：速度、成本和真实应用生成能力究竟如何

Grok 4.5 最值得关注的变化，不是聊天语气又变了，而是 SpaceXAI 开始把它明确定位为编码、Agent 任务和知识工作的基础模型。它既进入 Grok Build，也进入 Cursor 的桌面端、Web、iOS、CLI 和 SDK，并通过 API 向开发者开放。

这意味着 Grok 的竞争对象正在从消费级聊天机器人扩展到 Codex、Claude Code 一类能读代码库、调用工具、执行命令并持续修改结果的工作型 Agent。只是，“适合 Agent”不等于模型可以脱离工作流独立交付；真正需要判断的是它能不能在真实环境里稳定地调查问题、调用工具、纠错和验证。

编码基准已经进入第一梯队，但不能只看一张榜单

SpaceXAI 的发布公告列出五组工程评估。Grok 4.5 在 DeepSWE 1.0 得到 62.0%，SWE Marathon 得到 29.0%，Terminal Bench 2.1 得到 83.3%，SWE Bench Pro 的解决率为 64.7%。其中 SWE Marathon 是官方表格里排名第一的项目；DeepSWE 和 SWE Bench Pro 则仍落后于部分领先模型。

图中数据来自 Cursor 的联合发布说明。Cursor 也给出了两条重要注释：部分第三方模型成绩来自各自发布者，而非统一环境下重跑；旧版 Cursor 代码快照曾被意外纳入 Grok 4.5 训练数据，因此可能让它在 CursorBench 上获得不公平优势，Cursor 最终没有采用该项结果。这种主动披露很重要，因为“模型分数”会同时受到训练数据、Agent 外壳、工具配置和评测预算影响。

独立评测机构 Artificial Analysis 把 Grok 4.5 放入 Grok Build 运行，在 Coding Agent Index 上给出 76 分，与 GPT-5.5 在 Codex 中的成绩相当，略低于 Fable 5 在 Claude Code 中的成绩。该指数由 DeepSWE、Terminal-Bench v2 和 SWE-Atlas QnA 组成，衡量的是“模型 + Agent 执行环境”的组合，不是裸模型能力。

更有现实意义的是任务经济性：Artificial Analysis 报告称，Grok 4.5 在这组编码 Agent 评测中平均每个任务成本约 2.49 美元，GPT-5.5 + Codex 约为 5.07 美元，Fable 5 + Claude Code 约为 11.80 美元。它使用的总 token 也更少。这个结果支持“性价比突出”，但不能推导出它在所有仓库、语言和任务长度上都更便宜。

Agent 能力来自长任务训练，也依赖工具与验证闭环

Cursor 对训练过程的说明比“会调用工具”更具体：Grok 4.5 使用了覆盖代码库和软件工具交互的 Cursor 数据，并在真实环境中的困难问题上进行强化学习，目标包括调查问题、使用工具、从错误中恢复以及验证结果。Cursor 还称其使用分布式 Agent 系统批量构建、测试和改进训练环境。

SpaceXAI 则表示，强化学习覆盖数十万个多步骤软件工程和技术任务，Agent rollout 可以持续数小时。两家公司都在强调长时间执行，而不是一次生成代码片段。

不过这里必须区分模型和产品系统。Grok 4.5 提供推理、函数调用和结构化输出能力，官方模型文档显示其上下文窗口为 50 万 token，并支持文本和图像输入；真正的文件读写、终端执行、搜索、权限隔离和回滚，仍由 Grok Build、Cursor 或开发者自己的 Agent 框架负责。官方文档里的“Multi Agent”还是另一项平台能力，不能直接当成 Grok 4.5 已经自带多 Agent 团队协作。

对开发团队而言，Grok 4.5 更适合被放进有检查点的流程：先分析仓库和约束，再小步修改、运行测试、检查差异，失败后允许重试，最后由人确认。它的价值不是替代这些控制，而是可能用更低成本完成更多轮调查与执行。

从一个提示词生成应用：成功案例漂亮，复杂状态仍会失败

SpaceXAI 展示了用一个提示词生成 Three.js 太阳系模拟的案例，包含轨道、星空、时间调节和现代化 HUD。官方称模型还可处理 Rust、C/C++ 和端到端应用构建。但厂商精选案例只能证明“做成过”，不能回答成功率。

独立测试 TryAI 用相同约束让四个模型生成三个单文件应用：不使用外部库和网络调用，每个任务原则上只给一次提示，只有完全无法渲染时允许重试一次。本文封面就是 Grok 4.5 成功生成并在真实浏览器中运行的粒子重力场：点击可以添加高质量吸引子，画面呈现出整洁的轨道和带颜色的粒子拖尾。打砖块任务也在第一次生成后即可运行，包含鼠标控制挡板、砖块、得分与生命值。

最难的 3D 魔方任务暴露了边界：第一次只出现标题和按钮，没有显示魔方；测试者使用唯一一次重试后，第二版才生成可打乱、求解并显示转动动画的彩色魔方。

这组测试样本很小，不能当成通用胜率，但它说明“能生成漂亮应用”和“每次都可靠”是两回事。对于真实产品，必须继续检查交互状态、边界条件、无障碍、性能和安全，而不是看到首屏就宣布交付完成。

速度与价格有吸引力，知识可靠性仍需单独评估

SpaceXAI 宣称 Grok 4.5 的服务速度为 80 tokens/s，并称它在 SWE Bench Pro 上平均输出 15,954 tokens，约为 Opus 4.8 的四分之一。API 基础价格是每百万输入 token 2 美元、输出 token 6 美元；Cursor 还提供价格更高的快速变体。对需要大量循环调用的编码 Agent 来说，速度、token 数和单价会共同决定一天能跑多少任务。

但效率不能替代事实核验。Artificial Analysis 的 Omniscience 测试显示，Grok 4.5 的知识准确率相较上一代提高，同时幻觉率也上升到 54%。这只是特定评测口径，不等于每两句话就有一句错误，却足以提醒用户：研究、法律、财务和线上运维任务仍需引用、工具结果与人工复核。

综合来看，Grok 4.5 已经是值得开发者实测的编码与 Agent 模型，尤其适合成本敏感、工具调用频繁、任务可自动验证的场景。它真正的优势可能不是单项榜首，而是把接近第一梯队的执行能力、较快输出和较低任务成本组合在一起。至于能否成为主力，应让它在自己的仓库里完成一组可复现任务，再根据一次成功率、测试通过率、人工返工量和总成本做决定。