Benchmarks de Grok 4.5: Qué publicó xAI y cómo entenderlo

xAI lanzó Grok 4.5 el 8 de julio de 2026 con cuatro benchmarks de codificación y una tabla de eficiencia. Los números son genuinamente interesantes, y también están cuidadosamente elegidos. Este artículo presenta cada cifra publicada, de dónde viene cada una, qué falta y cómo ejecutar su propia evaluación en lugar de esperar a que las tablas de clasificación se actualicen.

La opinión honesta en una frase: Grok 4.5 se posiciona como un modelo de codificación de segundo nivel fuerte, dividiendo resultados con Claude Opus 4.8 mientras va a la zaga de la vanguardia, y su número más destacado es la eficiencia de salida en lugar de cualquier puntuación de precisión.

Cada número publicado por xAI

Del anuncio, las cuatro tablas completas:

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (tasa de resolución)

Además de la tabla de eficiencia: 15,954 tokens de salida promedio por tarea de SWE Bench Pro para Grok 4.5, frente a 67,020 para Opus 4.8 (máx.), una diferencia de 4.2x.

De dónde vienen estos números

La letra pequeña en las tablas de xAI importa más de lo habitual:

• DeepSWE 1.0 fue "creado por Datacurve, ejecutado con los arneses de cada proveedor de modelos por AA".
• DeepSWE 1.1 utilizó el "arnés mini-swe-agent ejecutado por Datacurve".
• "Las cifras de los competidores se obtienen de las tarjetas de sistema publicadas por sus respectivos desarrolladores o de las tablas de clasificación de benchmarks."

Traducción: esto es un mosaico. Algunos números provienen de laboratorios de evaluación de terceros, otros de las propias páginas de marketing de proveedores rivales, ensamblados por el proveedor con algo que vender. Eso es más transparente que la pura autoinformación, y la participación de Datacurve añade credibilidad. Todavía no es una evaluación independiente: los arneses, los andamiajes y los ajustes de esfuerzo difieren entre las fuentes, y cada uno de ellos puede mover las puntuaciones de los agentes en varios puntos. Nadie fuera de este mosaico ha publicado todavía números de Grok 4.5.

Tres lecturas de las mismas tablas

Frente a Opus 4.8, es una división genuina. Dos victorias (DeepSWE 1.0 por 6.25, Terminal Bench por 4.4), dos derrotas (DeepSWE 1.1 por 6, SWE Bench Pro por 4.5). La definición de Musk de "clase Opus" resiste el contacto con los datos que publicó; una afirmación más fuerte no lo haría. Fíjese qué benchmarks caen de qué lado: Grok gana en las evaluaciones orientadas a terminal y las más antiguas, Opus gana en las más nuevas y desordenadas a nivel de repositorio. Comparativa completa, incluyendo el precio, en Grok 4.5 vs Claude Opus 4.8.

Frente a la vanguardia, no hay competencia, y xAI no pretendió lo contrario. Claude Fable 5 (máx.) encabeza las cuatro tablas en la propia página de xAI, y GPT 5.5 (xhigh) supera a Grok 4.5 en tres de cuatro. Lo interesante es que xAI publicó estos datos en lugar de recortarlos. La propuesta es explícitamente de relación precio-rendimiento, no de supremacía. Lo que significan los números de Fable en la práctica se cubre en nuestro análisis de benchmarks de Fable 5.

Frente a su propio predecesor, la actualización es real pero limitada. Los saltos de Opus 4.7 a 4.8 en estas tablas empequeñecen la mayoría de las brechas generacionales, y la ventaja de Grok 4.5 sobre modelos como GLM 5.2, que cuesta una fracción, es de 9 a 11 puntos en los dos benchmarks compartidos. Los compradores que buscan capacidad por dólar deben leer esas diferencias cuidadosamente en ambas direcciones.

La métrica que xAI quiere que veas

La tabla de eficiencia es el corazón estratégico del lanzamiento. 15,954 tokens de salida por tarea resuelta, frente a 67,020 para Opus 4.8 (máx.), significa que Grok 4.5 completa un trabajo comparable en menos de un cuarto del volumen de salida, entregado a 80 tokens por segundo.

Esta es una métrica legítima, no una manipulación. Los tokens de salida se facturan como dinero y tiempo transcurrido; en los bucles de los agentes, se acumulan en cada paso. Un modelo que obtiene 4.5 puntos menos en SWE Bench Pro pero emite 4.2 veces menos tokens aún puede ser la elección racional para pipelines de alto volumen, que es exactamente el intercambio que nuestro análisis de precios cuantifica (~$0.10 vs ~$1.68 de salida por tarea resuelta a precios de lista).

Dos advertencias. Medido por el proveedor, un solo benchmark. Y la verbosidad no es un desperdicio para el modelo de comparación: las salidas largas de Opus son un razonamiento extendido, que es parte de cómo gana las evaluaciones que gana. La eficiencia y la profundidad son una compensación real, no un beneficio gratuito.

Qué falta

Razones para posponer el juicio unas semanas:

• No hay evaluación independiente de terceros. Ni entrada en el índice de inteligencia de Artificial Analysis, ni ubicación en LMArena, ni replicación de SWE-bench por la comunidad a partir del 9 de julio.
• Solo codificación. xAI no publicó benchmarks de razonamiento general, matemáticas, ciencia o seguridad para un modelo que también comercializa para "trabajo de conocimiento". Las capacidades de trabajo de oficina se entregaron como demos, no como evaluaciones.
• No se reveló el modo de esfuerzo para Grok mismo. Los competidores están etiquetados (máx., xhigh); no se indica si las puntuaciones de Grok 4.5 reflejan su configuración predeterminada o máxima.
• Un modelo de primera semana. Las regresiones, la inestabilidad del servicio y los cambios silenciosos en las capacidades son comunes en el primer mes después de cualquier lanzamiento.

Ejecuta el benchmark que importa: el tuyo

Los benchmarks públicos predicen promedios, no tu carga de trabajo. Una evaluación privada ligera supera a todo lo anterior para una decisión de cambio:

1. Recopila 10-20 tareas reales de tu propio backlog: los prompts, el contexto del código, los resultados esperados.
2. En Apidog, crea una solicitud guardada por cada modelo candidato. Tanto xAI como Anthropic exponen interfaces compatibles con OpenAI, por lo que el arnés es una colección con una variable de modelo, no tres bases de código.
3. Ejecuta cada tarea contra grok-4.5 y tu modelo actual. Haz aserciones sobre el objeto usage y captura la latencia, para que estés puntuando calidad, velocidad y consumo de tokens en la misma pasada.
4. Califica las salidas a ciegas si puedes; los nombres de los modelos sesgan a los revisores más de lo que cualquiera admite.

Ese último paso es donde la afirmación de eficiencia se pone a prueba contra la realidad: si las salidas de Grok 4.5 en tus prompts no son mediblemente más cortas, la economía principal no se aplica a ti. Descarga Apidog gratis y todo el proceso te llevará una hora. Los detalles de configuración para el lado de xAI están en nuestra guía de API de Grok 4.5.

Preguntas Frecuentes

¿Qué benchmarks publicó xAI para Grok 4.5? Cuatro evaluaciones de codificación (DeepSWE 1.0 y 1.1, Terminal Bench 2.1, SWE Bench Pro) más una comparación de eficiencia de tokens contra Opus 4.8. Nada fuera de la codificación.

¿Existen benchmarks independientes de Grok 4.5? Todavía no. Las cifras publicadas mezclan evaluaciones realizadas por Datacurve con números de las tarjetas de sistema de otros proveedores. Los índices independientes suelen aparecer semanas después de un lanzamiento importante.

¿Supera Grok 4.5 a Claude Opus 4.8? En dos de los cuatro benchmarks publicados, a un costo mucho menor. Opus gana las dos evaluaciones más difíciles a nivel de repositorio. Ver la comparación completa.

¿Es Grok 4.5 el modelo de codificación más fuerte disponible? No, y las propias tablas de xAI lo indican: Claude Fable 5 (máx.) lidera todos los benchmarks publicados. Grok 4.5 compite en inteligencia por dólar.