Cuando xAI lanzó Grok 4.5 el 8 de julio de 2026, Elon Musk eligió la comparación él mismo: “un modelo de clase Opus, pero más rápido, más eficiente en tokens y de menor costo”. Esa es una afirmación específica y verificable sobre Claude Opus 4.8, el modelo de codificación principal de Anthropic.
Así que vamos a comprobarlo. Esta comparación utiliza las cifras que xAI publicó en su anuncio, los precios publicados por Anthropic, y las partes de la historia que ningún proveedor destaca en un titular. La versión corta: la afirmación en su mayoría se mantiene, con dos pérdidas en benchmarks y un gran asterisco sobre la verificación.
El marcador
xAI publicó cuatro benchmarks de codificación. Aquí están, con ambos modelos más el contexto de vanguardia que los rodea:
| Benchmark | Grok 4.5 | Opus 4.8 (máx.) | Ganador |
|---|---|---|---|
| DeepSWE 1.0 (pass@1) | 62.0% | 55.75% | Grok 4.5 (+6.25) |
| DeepSWE 1.1 | 53% | 59% | Opus 4.8 (+6) |
| Terminal Bench 2.1 | 83.3% | 78.9% | Grok 4.5 (+4.4) |
| SWE Bench Pro (resolver) | 64.7% | 69.2% | Opus 4.8 (+4.5) |
Dos victorias para cada uno. En los propios gráficos de xAI, "clase Opus" es preciso como nivel de capacidad y erróneo como afirmación de superioridad, lo cual, a favor de xAI, no es la afirmación que hizo Musk.
Cabe destacar: Claude Fable 5 (máx.) encabeza los cuatro gráficos (66.1 / 70 / 84.3 / 80.4), y GPT 5.5 (xhigh) supera a ambos modelos en tres de los cuatro. Grok 4.5 compite en el nivel por debajo de la vanguardia, contra el modelo que Anthropic ofrece para el trabajo diario en lugar de la máxima capacidad. Si quieres la lucha de vanguardia, esa es Fable 5 vs Opus 4.8.
El asterisco de la procedencia
Estos no son resultados de pruebas independientes. xAI señala que las cifras de los competidores provienen de "las tarjetas de sistema o tablas de clasificación de benchmarks publicadas por los respectivos desarrolladores", con las evaluaciones de DeepSWE creadas por Datacurve y las ejecuciones gestionadas con el arnés de cada proveedor. Eso es mejor que la auto-información opaca, pero mezclar fuentes significa que las diferencias en los arneses y estructuras se filtran en la comparación. Ningún tercero completamente independiente ha evaluado Grok 4.5 todavía. Nuestra inmersión profunda en benchmarks sigue esa situación.
Precio: Grok gana en teoría, más en la práctica
Precios de lista por millón de tokens:
| Grok 4.5 | Opus 4.8 | |
|---|---|---|
| Entrada | $2.00 | $5.00 |
| Salida | $6.00 | $25.00 |
Eso es el 40% del precio de entrada de Opus y el 24% de su precio de salida. (Detalles completos del lado de Anthropic en nuestro desglose de precios de Opus 4.8).
La brecha se amplía cuando se considera la verbosidad. xAI informa que Grok 4.5 resuelve tareas de SWE Bench Pro con un promedio de 15,954 tokens de salida; Opus 4.8 (máx.) promedia 67,020 en el mismo benchmark. Multiplícalo por tarea resuelta:
- Grok 4.5: 15,954 tokens × $6/M ≈ $0.10 de salida por tarea
- Opus 4.8 (máx.): 67,020 tokens × $25/M ≈ $1.68 de salida por tarea
Aproximadamente 17 veces más barato en salida por tarea completada, según los recuentos de tokens reportados por el proveedor. Trata el múltiplo exacto con precaución (un benchmark, una medición de un proveedor y el modo de esfuerzo "máx." infla el recuento de tokens de Opus), pero la dirección es difícil de discutir: un modelo conciso de $6 supera a un modelo verboso de $25 por más de lo que sugiere la hoja de precios. Ejecutamos escenarios más completos en precios de Grok 4.5 explicados.
La advertencia también funciona a la inversa: Opus pierde más tokens por tarea en parte porque el modo "máx." razona extensamente, y ese razonamiento es parte de por qué gana SWE Bench Pro por 4.5 puntos. Estás pagando por pensar. A veces, el pensamiento es el producto.
Velocidad: 80 TPS y respuestas más cortas se acumulan
Grok 4.5 sirve a unas 80 tokens por segundo, lo que xAI denomina “velocidades de modelo rápido”. Combinado con salidas que son una cuarta parte de la longitud, el tiempo real por tarea se reduce dos veces: menos tokens, entregados más rápido. Para bucles de agentes que encadenan docenas de llamadas al modelo, la latencia por paso se acumula en minutos ahorrados por sesión.
Anthropic no publica una cifra de TPS equivalente para Opus 4.8, y las velocidades en el mundo real varían según la carga y el nivel, así que compara esto con tu propio tráfico en lugar de confiar en la página de marketing de cualquiera de los dos.
Dónde Opus 4.8 mantiene la ventaja
El precio no lo es todo, y el marcador nombra los lugares donde no lo es:
- La codificación agencial más difícil. SWE Bench Pro, el más cercano de los cuatro al trabajo real y desordenado del repositorio, va a Opus por 4.5 puntos. DeepSWE 1.1, la revisión más reciente, va a Opus por 6.
- Madurez del ecosistema. Opus 4.8 se integra en Claude Code, patrones establecidos de uso de herramientas y un año de endurecimiento en producción. Grok 4.5 se lanzó ayer; su superficie de integración es Grok Build, Cursor y una API nueva. El costo de migración es real incluso cuando el costo por token es menor.
- Previsibilidad. El comportamiento de Opus bajo contextos largos, sus patrones de rechazo y sus modos de fallo están bien documentados, incluso por nosotros. Los de Grok 4.5 tienen una semana.
¿Cuál deberías usar?
Elige Grok 4.5 si tu carga de trabajo es codificación agencial de alto volumen o trabajo de conocimiento, tu factura de API es un gasto que vigilas, y una división de 2 de 4 en benchmarks a un cuarto del precio de salida suena a arbitraje. El precio de lanzamiento más las ventanas gratuitas actuales hacen que probarlo sea casi sin costo este mes.
Quédate con Opus 4.8 si estás inmerso en el ecosistema de Anthropic, necesitas las puntuaciones publicadas más sólidas en benchmarks difíciles a nivel de repositorio en esta clase de precios, o no puedes aceptar el riesgo de un modelo de primera semana en producción.
De cualquier manera, mídete a ti mismo. Ambas API admiten formatos compatibles con OpenAI, por lo que un arnés A/B es económico de construir. En Apidog, guarda una solicitud por modelo, dirígelas a tus cinco prompts reales más difíciles y compara la calidad de salida, la latencia y el objeto de uso lado a lado. Comprueba específicamente los output_tokens: si las respuestas de Grok a tus prompts no son más cortas, la economía anterior no se aplica a ti. Descarga Apidog gratis y ejecuta la comparación con tu propio tráfico antes de mover una carga de trabajo.
Guías de configuración para ambas partes: cómo usar la API de Grok 4.5 y cómo usar la API de Claude Opus 4.8.
Preguntas Frecuentes
¿Es Grok 4.5 mejor que Claude Opus 4.8? Dividieron los benchmarks publicados de xAI 2-2. Grok 4.5 es más barato y más eficiente en tokens; Opus 4.8 gana las dos evaluaciones más difíciles a nivel de repositorio. "Mejor" depende de si tu restricción es el presupuesto o la capacidad máxima.
¿Cuánto más barato es Grok 4.5 que Opus 4.8? $2 vs $5 por millón de tokens de entrada y $6 vs $25 por millón de salida. Por tarea de codificación resuelta, los recuentos de tokens reportados por el proveedor sugieren una brecha efectiva mucho mayor.
¿Existen benchmarks independientes para Grok 4.5? Todavía no. Las cifras publicadas mezclan las ejecuciones de xAI, las evaluaciones de Datacurve y las tarjetas de sistema de otros proveedores. Los números independientes deberían aparecer semanas después del lanzamiento.
¿Puedo probar ambos modelos con el mismo código? Mayormente, sí. Ambos exponen completados de chat compatibles con OpenAI, por lo que intercambiar base_url, la clave y el ID del modelo cubre lo básico. Los detalles de la llamada a herramientas y la salida estructurada difieren; prueba esas rutas explícitamente antes de cambiar.