Grok 4.5 Benchmarks : Ce que xAI a publié et comment les interpréter

xAI a lancé Grok 4.5 le 8 juillet 2026 avec quatre benchmarks de codage et un graphique d'efficacité. Les chiffres sont réellement intéressants, et ils sont aussi soigneusement choisis. Cet article présente chaque chiffre publié, d'où chacun provient, ce qui manque, et comment effectuer votre propre évaluation au lieu d'attendre que les classements soient mis à jour.

L'avis honnête en une phrase : Grok 4.5 se compare à un modèle de codage de deuxième niveau solide, partageant les résultats avec Claude Opus 4.8 tout en étant à la traîne des modèles de pointe, et son chiffre le plus remarquable est l'efficacité de la sortie plutôt que tout score de précision.

Chaque chiffre publié par xAI

D'après l'annonce, les quatre graphiques en intégralité :

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (taux de résolution)

De plus, le graphique d'efficacité : 15 954 tokens de sortie moyens par tâche SWE Bench Pro pour Grok 4.5, contre 67 020 pour Opus 4.8 (max), soit une différence de 4,2x.

D'où viennent ces chiffres

Les petites lignes sur les graphiques de xAI sont plus importantes que d'habitude :

• DeepSWE 1.0 a été "créé par Datacurve, exécuté avec les harnais de chaque fournisseur de modèle par AA."
• DeepSWE 1.1 a utilisé le "harnais mini-swe-agent exécuté par Datacurve."
• "Les chiffres des concurrents proviennent des fiches système publiées par les développeurs respectifs ou des classements des benchmarks."

En clair : il s'agit d'une mosaïque. Certains chiffres proviennent de sociétés d'évaluation tierces, d'autres des pages marketing des fournisseurs rivaux, assemblés par le fournisseur qui a quelque chose à vendre. C'est plus transparent qu'une simple autodéclaration, et l'implication de Datacurve ajoute de la crédibilité. Il ne s'agit toujours pas d'une évaluation indépendante : les harnais, les échafaudages et les paramètres d'effort diffèrent selon les sources, et chacun d'eux peut faire varier les scores des agents de plusieurs points. Personne en dehors de cette mosaïque n'a encore publié les chiffres de Grok 4.5.

Trois lectures des mêmes graphiques

Face à Opus 4.8, c'est un véritable partage. Deux victoires (DeepSWE 1.0 par 6,25, Terminal Bench par 4,4), deux défaites (DeepSWE 1.1 par 6, SWE Bench Pro par 4,5). Le cadre "de la classe Opus" de Musk résiste au contact des données qu'il a publiées ; une affirmation plus forte n'y résisterait pas. Remarquez quels benchmarks tombent de quel côté : Grok gagne les évaluations orientées terminal et plus anciennes, Opus gagne les plus récentes et plus complexes au niveau des dépôts. Comparaison directe complète, avec la tarification incluse, sur Grok 4.5 vs Claude Opus 4.8.

Face aux modèles de pointe, il n'y a pas de concurrence, et xAI n'a pas prétendu le contraire. Claude Fable 5 (max) domine les quatre graphiques sur la propre page de xAI, et GPT 5.5 (xhigh) bat Grok 4.5 sur trois des quatre. Le mouvement intéressant est que xAI a imprimé ces chiffres plutôt que de les couper. Le positionnement est explicitement axé sur le rapport prix-performance, et non sur la suprématie. Ce que les chiffres de Fable signifient en pratique est couvert dans notre analyse de benchmark Fable 5.

Par rapport à son prédécesseur, la mise à niveau est réelle mais étroite. Les bonds d'Opus 4.7 à 4.8 sur ces graphiques éclipsent la plupart des écarts générationnels, et l'avantage de Grok 4.5 sur des modèles comme GLM 5.2, qui coûte une fraction du prix, est de 9 à 11 points sur les deux benchmarks partagés. Les acheteurs soucieux de la capacité par dollar devraient lire ces écarts attentivement dans les deux sens.

La métrique que xAI veut que vous voyiez

Le graphique d'efficacité est le cœur stratégique du lancement. 15 954 tokens de sortie par tâche résolue, contre 67 020 pour Opus 4.8 (max), signifie que Grok 4.5 accomplit un travail comparable avec moins d'un quart du volume de sortie, livré à 80 tokens par seconde.

C'est une métrique légitime, pas du marketing. Les tokens de sortie représentent de l'argent facturé et du temps écoulé ; dans les boucles d'agents, ils se cumulent à chaque étape. Un modèle qui obtient 4,5 points de moins sur SWE Bench Pro mais émet 4,2 fois moins de tokens peut toujours être le choix rationnel pour les pipelines à grand volume, ce qui est exactement le compromis que notre analyse de prix quantifie (~0,10 $ contre ~1,68 $ de sortie par tâche résolue aux prix courants).

Deux mises en garde. Mesuré par le fournisseur, sur un seul benchmark. Et la verbosité n'est pas un gaspillage pour le modèle de comparaison : les longues sorties d'Opus sont des raisonnements étendus, ce qui explique en partie comment il remporte les évaluations qu'il remporte. Efficacité et profondeur sont un véritable compromis, pas un déjeuner gratuit.

Ce qui manque

Raisons de retenir son jugement pendant quelques semaines :

• Aucune évaluation indépendante par une tierce partie. Aucune entrée dans l'indice d'intelligence d'Artificial Analysis, aucun placement LMArena, aucune réplication communautaire de SWE-bench au 9 juillet.
• Uniquement le codage. xAI n'a publié aucun benchmark de raisonnement général, de mathématiques, de sciences ou de sécurité pour un modèle qu'il commercialise également pour le "travail intellectuel". Les capacités de travail de bureau ont été livrées sous forme de démos, pas d'évaluations.
• Aucune divulgation du mode d'effort pour Grok lui-même. Les concurrents sont étiquetés (max, xhigh) ; il n'est pas précisé si les scores de Grok 4.5 reflètent sa configuration par défaut ou maximale.
• Un modèle de la première semaine. Les régressions, l'instabilité de service et les changements silencieux de capacité sont courants le premier mois après tout lancement.

Exécutez le benchmark qui compte : le vôtre

Les benchmarks publics prédisent des moyennes, pas votre charge de travail. Une évaluation privée légère est préférable à tout ce qui précède pour une décision de changement :

1. Recueillez 10 à 20 tâches réelles de votre propre carnet de commandes : les prompts, le contexte de la base de code, les résultats attendus.
2. Dans Apidog, créez une requête enregistrée par modèle candidat. xAI et Anthropic exposent tous deux des surfaces compatibles OpenAI, donc le harnais est une collection avec une variable de modèle, pas trois bases de code.
3. Exécutez chaque tâche sur grok-4.5 et votre modèle actuel. Vérifiez l'objet usage et capturez la latence, afin de noter la qualité, la vitesse et la consommation de tokens en une seule passe.
4. Évaluez les sorties à l'aveugle si vous le pouvez ; les noms de modèles influencent les évaluateurs plus que quiconque ne l'admet.

Cette dernière étape est celle où l'affirmation d'efficacité est mise à l'épreuve de la réalité : si les sorties de Grok 4.5 sur vos invites ne sont pas mesurablement plus courtes, les économies annoncées ne s'appliquent pas à vous. Téléchargez Apidog gratuitement et l'ensemble du harnais prendra une heure. Les détails de configuration pour le côté xAI se trouvent dans notre guide API Grok 4.5.

FAQ

Quels benchmarks xAI a-t-il publiés pour Grok 4.5 ? Quatre évaluations de codage (DeepSWE 1.0 et 1.1, Terminal Bench 2.1, SWE Bench Pro) plus une comparaison de l'efficacité des tokens par rapport à Opus 4.8. Rien en dehors du codage.

Existe-t-il des benchmarks indépendants pour Grok 4.5 ? Pas encore. Les chiffres publiés mélangent des évaluations réalisées par Datacurve avec des chiffres provenant des fiches système d'autres fournisseurs. Les indices indépendants apparaissent généralement dans les semaines suivant un lancement majeur.

Grok 4.5 bat-il Claude Opus 4.8 ? Sur deux des quatre benchmarks publiés, à un coût bien moindre. Opus remporte les deux évaluations de niveau de dépôt plus difficiles. Voir la comparaison complète.

Grok 4.5 est-il le modèle de codage le plus puissant disponible ? Non, et les propres graphiques de xAI le confirment : Claude Fable 5 (max) domine tous les benchmarks publiés. Grok 4.5 concourt sur l'intelligence par dollar.