أطلقت xAI نموذج Grok 4.5 في 8 يوليو 2026 بأربعة معايير برمجية ومخطط واحد للكفاءة. الأرقام مثيرة للاهتمام حقًا، وقد تم اختيارها بعناية. توضح هذه المقالة كل رقم منشور، ومن أين أتى كل منها، وما هو مفقود، وكيفية إجراء تقييمك الخاص بدلاً من انتظار تحديث لوحات المتصدرين.
الخلاصة الصادقة في جملة واحدة: Grok 4.5 يحقق نتائج معيارية كنموذج برمجي قوي من المستوى الثاني، حيث يتقاسم النتائج مع Claude Opus 4.8 بينما يتخلف عن الريادة، ورقمه البارز هو كفاءة المخرجات وليس أي درجة دقة.
كل الأرقام التي نشرتها xAI
من الإعلان، المخططات الأربعة كاملة:
DeepSWE 1.0 (pass@1)
| النموذج | النتيجة |
|---|---|
| Claude Fable 5 (max) | 66.1% |
| GPT 5.5 (xhigh) | 64.31% |
| Grok 4.5 | 62.0% |
| Claude Opus 4.8 (max) | 55.75% |
| Claude Opus 4.7 (max) | 40.12% |
DeepSWE 1.1
| النموذج | النتيجة |
|---|---|
| Claude Fable 5 (max) | 70% |
| GPT 5.5 (xhigh) | 67% |
| Claude Opus 4.8 (max) | 59% |
| Grok 4.5 | 53% |
| GLM 5.2 | 44% |
Terminal Bench 2.1
| النموذج | النتيجة |
|---|---|
| Claude Fable 5 (max) | 84.3% |
| GPT 5.5 (xhigh) | 83.4% |
| Grok 4.5 | 83.3% |
| Claude Opus 4.8 (max) | 78.9% |
| Claude Opus 4.7 (max) | 78.9% |
SWE Bench Pro (معدل الحل)
| النموذج | النتيجة |
|---|---|
| Claude Fable 5 (max) | 80.4% |
| Claude Opus 4.8 (max) | 69.2% |
| Grok 4.5 | 64.7% |
| Claude Opus 4.7 (max) | 64.3% |
| GLM 5.2 | 62.1% |
| GPT 5.5 (xhigh) | 58.6% |
بالإضافة إلى مخطط الكفاءة: 15,954 متوسط رموز الإخراج لكل مهمة SWE Bench Pro لـ Grok 4.5، مقابل 67,020 لـ Opus 4.8 (الحد الأقصى)، بفارق 4.2 ضعف.
من أين تأتي هذه الأرقام
تعتبر الملاحظات الدقيقة في مخططات xAI أكثر أهمية من المعتاد:
- DeepSWE 1.0 تم "إنشاؤه بواسطة Datacurve، وتم تشغيله بواسطة AA باستخدام أدوات كل مزود نموذج."
- DeepSWE 1.1 استخدم "أداة mini-swe-agent التي تديرها Datacurve."
- "أرقام المنافسين مستمدة من بطاقات النظام المنشورة للمطورين المعنيين أو لوحات متصدرين المعايير."
ترجمة: هذا فسيفساء. بعض الأرقام تأتي من متاجر تقييم خارجية، وبعضها من صفحات تسويق البائعين المنافسين، تم تجميعها بواسطة البائع الذي لديه شيء ليبيعه. وهذا أكثر شفافية من الإبلاغ الذاتي البحت، وتضيف مشاركة Datacurve مصداقية. ومع ذلك، لا يزال ليس تقييمًا مستقلاً: تختلف الأدوات، والسقالات، وإعدادات الجهد عبر المصادر، وكل منها يمكن أن يحرك درجات العملاء ببضع نقاط. لم ينشر أحد خارج هذه الفسيفساء أرقام Grok 4.5 حتى الآن.
ثلاث قراءات لنفس المخططات
مقابل Opus 4.8، هناك انقسام حقيقي. فوزان (DeepSWE 1.0 بفارق 6.25، وTerminal Bench بفارق 4.4)، وخسارتان (DeepSWE 1.1 بفارق 6، وSWE Bench Pro بفارق 4.5). صياغة ماسك "من فئة Opus" تصمد أمام البيانات التي نشرها؛ ادعاء أقوى لن يصمد. لاحظ أي المعايير تقع في أي جانب: Grok يفوز بالتقييمات الموجهة نحو الطرفية والأقدم، وOpus يفوز بالتقييمات الأحدث والأكثر تعقيدًا على مستوى المستودعات. مقارنة كاملة وجهاً لوجه، مع تضمين الأسعار، تجدونها في Grok 4.5 مقابل Claude Opus 4.8.
مقابل الريادة، لا توجد منافسة، ولم تدّعِ xAI غير ذلك. يتصدر Claude Fable 5 (الحد الأقصى) جميع المخططات الأربعة في صفحة xAI الخاصة، ويتفوق GPT 5.5 (xhigh) على Grok 4.5 في ثلاثة من أربعة. الخطوة المثيرة للاهتمام هي أن xAI نشرت هذه الأرقام بدلاً من إزالتها. العرض يركز صراحة على السعر مقابل الأداء، وليس التفوق. ما تعنيه أرقام Fable في الممارسة العملية مغطى في تحليلنا لمعيار Fable 5.
مقابل سلفه، الترقية حقيقية ولكنها ضيقة. القفزات من Opus 4.7 إلى 4.8 في هذه المخططات تصغر معظم الفروقات بين الأجيال، وتفوق Grok 4.5 على نماذج مثل GLM 5.2، التي تكلف جزءًا صغيرًا من السعر، يتراوح بين 9 و11 نقطة في المعيارين المشتركين. يجب على المتسوقين الذين يبحثون عن القدرة مقابل الدولار قراءة هذه الفروقات بعناية في كلا الاتجاهين.
المقياس الذي ترغب xAI في أن تراه
مخطط الكفاءة هو القلب الاستراتيجي للإطلاق. 15,954 رمز إخراج لكل مهمة تم حلها، مقابل 67,020 لـ Opus 4.8 (الحد الأقصى)، يعني أن Grok 4.5 يكمل عملًا مشابهًا بأقل من ربع حجم الإخراج، وبسرعة 80 رمزًا في الثانية.
هذا مقياس مشروع، وليس تلاعبًا. يتم احتساب رموز الإخراج بالمال والوقت المنقضي؛ وفي حلقات الوكيل، تتراكم عبر كل خطوة. يمكن لنموذج يحقق 4.5 نقطة أقل في SWE Bench Pro ولكنه يصدر 4.2 أضعاف رموز أقل أن يظل الخيار العقلاني لخطوط الأنابيب عالية الحجم، وهو بالضبط المقايضة التي تحددها تحليلاتنا للأسعار (حوالي 0.10 دولار مقابل 1.68 دولار تقريبًا من الإخراج لكل مهمة تم حلها بالأسعار المعلنة).
تحذيران. مقاس من قبل البائع، ومعيار واحد. والإسهاب ليس هدرًا للنموذج المقارن: مخرجات Opus الطويلة هي استنتاجات موسعة، وهو جزء من كيفية فوزها بالتقييمات التي تفوز بها. الكفاءة والعمق هما مقايضة حقيقية، وليست مكسبًا مجانيًا.
ما هو مفقود
أسباب لتأجيل الحكم لبضعة أسابيع:
- لا يوجد تقييم مستقل من طرف ثالث. لا يوجد إدخال في فهرس ذكاء Artificial Analysis، ولا وضع في LMArena، ولا تكرار SWE-bench من المجتمع حتى 9 يوليو.
- البرمجة فقط. لم تنشر xAI أي معايير للاستدلال العام أو الرياضيات أو العلوم أو السلامة لنموذج تسوقه أيضًا لـ "العمل المعرفي". تم تقديم قدرات العمل المكتبي كعروض توضيحية، وليس كتقييمات.
- عدم الكشف عن وضع الجهد لـ Grok نفسه. تم تسمية المنافسين (الحد الأقصى، عالي جدًا)؛ لم يذكر ما إذا كانت درجات Grok 4.5 تعكس تكوينها الافتراضي أو الأقصى.
- نموذج الأسبوع الأول. التراجعات، وعدم استقرار الخدمة، والتغييرات الهادئة في القدرات شائعة في الشهر الأول بعد أي إطلاق.
قم بتشغيل المعيار الذي يهمك: معيارك الخاص
تتنبأ المعايير العامة بالمتوسطات، وليس بعبء عملك. تقييم خاص خفيف الوزن يتفوق على كل ما سبق لاتخاذ قرار التبديل:
- اجمع 10-20 مهمة حقيقية من قائمة مهامك الخاصة: المطالبات، سياق قاعدة التعليمات البرمجية، النتائج المتوقعة.
- في Apidog، أنشئ طلبًا واحدًا محفوظًا لكل نموذج مرشح. تعرض xAI و Anthropic واجهات متوافقة مع OpenAI، لذا فإن الأداة هي مجموعة واحدة بمتغير للنموذج، وليست ثلاث قواعد بيانات.
- شغل كل مهمة مقابل
grok-4.5ونموذجك الحالي. تحقق من كائنusageوالتقط زمن الاستجابة، بحيث تسجل الجودة والسرعة واستهلاك الرموز في نفس المرور. - قيم المخرجات بشكل أعمى إذا استطعت؛ أسماء النماذج تحيز المراجعين أكثر مما يعترف به أي شخص.
هذه الخطوة الأخيرة هي حيث يتم اختبار ادعاء الكفاءة مقابل الواقع: إذا لم تكن مخرجات Grok 4.5 على مطالباتك أقصر بشكل ملحوظ، فإن الاقتصاديات الرئيسية لا تنطبق عليك. حمل Apidog مجانًا وتستغرق الأداة بأكملها ساعة واحدة. توجد تفاصيل الإعداد لجانب xAI في دليل واجهة برمجة تطبيقات Grok 4.5 الخاص بنا.
الأسئلة الشائعة
ما هي المعايير التي نشرتها xAI لـ Grok 4.5؟ أربعة تقييمات برمجية (DeepSWE 1.0 و 1.1، Terminal Bench 2.1، SWE Bench Pro) بالإضافة إلى مقارنة كفاءة الرموز مقابل Opus 4.8. لا شيء خارج البرمجة.
هل توجد معايير مستقلة لـ Grok 4.5؟ ليس بعد. تمزج الأرقام المنشورة التقييمات التي أجرتها Datacurve مع أرقام من بطاقات أنظمة البائعين الآخرين. عادةً ما تظهر الفهارس المستقلة في غضون أسابيع من الإطلاق الرئيسي.
هل يتفوق Grok 4.5 على Claude Opus 4.8؟ في اثنين من أربعة معايير منشورة، وبتكلفة أقل بكثير. يفوز Opus بالتقييمين الأصعب على مستوى المستودعات. اطلع على المقارنة الكاملة.
هل Grok 4.5 هو أقوى نموذج برمجي متاح؟ لا، ومخططات xAI نفسها تقول ذلك: Claude Fable 5 (الحد الأقصى) يتصدر كل معيار منشور. Grok 4.5 ينافس على الذكاء مقابل الدولار.