Enfouie dans les matériaux de lancement de Grok 4.5 se trouve une phrase d'une importance à long terme bien supérieure à tout benchmark : le modèle "a été entraîné aux côtés de Cursor". Selon le propre article de Cursor, l'éditeur a contribué des milliers de milliards de tokens de données capturant "les interactions des utilisateurs avec les bases de code et les outils logiciels".
Si vous utilisez Cursor, une version des sessions de développeur comme les vôtres a contribué à entraîner ce modèle. Cet article distingue ce qui est confirmé de ce qui ne l'est pas, explique pourquoi cette stratégie de données a produit les forces distinctives du modèle, et couvre ce qu'il faut vérifier dans vos propres paramètres. Pas de panique, pas de rejet ; les faits sont suffisamment intéressants par eux-mêmes.
Ce que les deux entreprises ont dit
Les déclarations confirmées, tirées des documents de lancement :
- Grok 4.5 a été "entraîné aux côtés de Cursor" et "conjointement avec SpaceXAI", selon Cursor.
- Les données d'entraînement ont capturé "les interactions des utilisateurs avec les bases de code et les outils logiciels", permettant au modèle d'apprendre à partir du "logiciel existant ainsi que des interactions développeur-agent".
- Les reportages autour du lancement, y compris la couverture de TechCrunch, décrivent les données ingérées comme incluant des traces de débogage, des diffs multi-fichiers et des corrections d'utilisateur à la sortie de l'agent.
Le contexte corporatif : SpaceX a accepté d'acquérir Cursor en juin 2026 dans le cadre d'un accord évalué à 60 milliards de dollars, intégrant l'éditeur dans la même famille que xAI. Le pipeline de données est le produit de cette consolidation. Onze jours après que Grok 4.5 est entré en bêta privée chez SpaceX et Tesla, il a été lancé publiquement avec Cursor comme surface de déploiement.
Pourquoi ces données sont différentes, et pourquoi cela a fonctionné
La plupart des modèles de code s'entraînent sur des corpus statiques : dépôts, documentation, fils de Q&R. Cela enseigne à quoi ressemble un code fini. Cela n'enseigne pas le processus pour y arriver.
Les données de session de Cursor sont des données de processus. Elles contiennent la séquence : ce que le développeur a demandé, ce que l'agent a essayé, quelle modification a été annulée, ce que l'humain a changé par la suite, quels tests ont été exécutés, à quoi ressemblait le correctif du correctif. Une correction d'utilisateur est un exemple étiqueté de "sortie plausible mais incorrecte en pratique", ce qui est proche du signal d'entraînement le plus précieux qu'un modèle de codage agentique puisse obtenir.
Les résultats sont visibles dans le profil publié du modèle. Grok 4.5 remporte les benchmarks de terminal et de workflow (Terminal Bench 2.1 : 83,3%, devant Opus 4.8) et affiche un chiffre d'efficacité de token inhabituel : 15 954 tokens de sortie moyens par tâche SWE Bench Pro, soit environ 4,2 fois moins qu'Opus 4.8 (max). Les modèles apprennent la verbosité de leurs données ; un modèle entraîné sur des sessions réelles, où les développeurs récompensent le correctif fonctionnel le plus court, a vraisemblablement appris à arrêter de parler plus tôt. Les chiffres complets sont dans notre analyse des benchmarks.
Les questions qui méritent des réponses claires
Le fil Hacker News sur le lancement a soulevé les questions que la plupart des utilisateurs de Cursor se posent. Voici ce qui est connaissable aujourd'hui :
Mes données ont-elles été incluses ? Impossible de répondre de l'extérieur. "Des milliers de milliards de tokens" de données d'interaction impliquent une collecte large, mais aucune des deux entreprises n'a publié quels groupes d'utilisateurs, quelles périodes ou quels statuts de consentement ont alimenté le pipeline.
Qu'en est-il du mode confidentiel ? Cursor propose depuis longtemps un paramètre de confidentialité dont la politique déclarée est que le code de ces sessions n'est ni stocké ni utilisé pour l'entraînement. Aucun des articles de lancement ne précise si le corpus de Grok 4.5 est antérieur, respecte ou redéfinit ces limites. La formulation précise de la politique de confidentialité de Cursor et de l'accord de données de votre forfait est ce qui régit, et il est utile de le lire maintenant plutôt que de le supposer ; les politiques des entreprises acquises sont réécrites.
Est-ce contraire aux règles ? Les conditions de Cursor ont permis l'utilisation des données hors mode confidentiel pour l'amélioration du produit. L'entraînement d'un modèle phare dans une entreprise affiliée peut être interprété comme cela, à une échelle sans précédent. Les entreprises ayant des accords de traitement de données devraient demander à leurs avocats de comparer "l'amélioration du produit" à "l'entraînement d'un modèle de fondation commercial" plutôt que de prendre le cadre de l'une ou l'autre entreprise.
Mon code est-il dans le modèle ? La régurgitation textuelle des données d'entraînement est rare dans les modèles modernes bien construits mais pas impossible. Il n'y a pas d'audit de mémorisation public pour Grok 4.5.
Que faire en pratique ?
Pour les développeurs individuels :
- Vérifiez vos paramètres de confidentialité Cursor aujourd'hui. Si vous travaillez sur quelque chose de sensible et que le mode confidentiel est désactivé, c'est votre action prioritaire, indépendamment de tout ce qui concerne Grok.
- Lisez les conditions actuelles des données, pas votre souvenir de celles-ci. L'acquisition fait de ce mois le bon moment pour relire.
Pour les équipes :
- Les administrateurs doivent auditer les paramètres de données au niveau de l'espace de travail. Les plans d'équipe centralisent cela ; un seul interrupteur couvre tout le monde.
- Séparez correctement les préoccupations. La télémétrie de l'éditeur est une surface d'exposition ; ce que vous envoyez aux API de modèle au moment de l'inférence en est une autre. Les appels d'inférence sont régis par les conditions d'utilisation des données de l'API, pas par l'historique du corpus d'entraînement.
- Gardez les secrets hors des deux surfaces. Les clés API, les tokens et les identifiants n'ont pas leur place dans les invites ou le code envoyé à tout outil d'IA. Si vous testez des points de terminaison de modèle, stockez les clés comme variables d'environnement dans Apidog plutôt que de les coller dans des sessions d'éditeur ou des collections partagées ; vos secrets restent dans un coffre-fort conçu pour eux, et les requêtes de votre équipe font référence à la variable, jamais à la valeur. Téléchargez Apidog gratuitement pour configurer un coffre-fort partagé pour les clés de modèle de votre équipe.
Rien de tout cela ne nécessite d'abandonner l'outil. Cela nécessite de savoir quels interrupteurs existent et de les régler délibérément.
Le précédent compte plus que ce lancement
Grok 4.5 est le premier modèle de pointe ouvertement entraîné sur les sessions d'utilisateurs d'un éditeur commercial. Ce ne sera pas le dernier. Chaque fournisseur d'éditeur IA a désormais la preuve que les données de session produisent des capacités différenciées, et chaque acquisition d'une entreprise d'outils pour développeurs a désormais un sous-texte d'actif de données. GitHub, Google et Amazon disposent tous de corpus d'interaction analogues.
Les développeurs sont effectivement devenus des étiqueteurs de données non rémunérés pour le codage agentique, avec les documents de conditions de service comme contrats d'emploi. Ce n'est pas intrinsèquement sinistre ; c'est ainsi que les outils s'améliorent, et la qualité de Grok 4.5 est en partie due aux corrections accumulées par votre communauté. Mais cela fait de la lecture des paramètres de confidentialité une compétence professionnelle plutôt qu'une paranoïa.
Pour le modèle que ces sessions ont produit, consultez ce qu'est Grok 4.5, comment il se compare à Opus 4.8, et comment l'exécuter dans Cursor, double utilisation et tout.
FAQ
xAI a-t-il entraîné Grok 4.5 sur les données utilisateur de Cursor ? Oui, selon la description des deux entreprises : Cursor a contribué des milliers de milliards de tokens de données d'interaction de développeur, y compris des sessions d'agent et des corrections d'utilisateur.
Le mode de confidentialité de Cursor protège-t-il mon code de l'entraînement ? C'est son objectif déclaré. La manière et la mesure dans lesquelles cela s'applique au corpus de Grok 4.5 n'ont pas été détaillées publiquement ; vérifiez le texte de la politique actuelle et les conditions de votre forfait.
Puis-je utiliser Grok 4.5 sans contribuer à de futures données d'entraînement ? Les contrôles se trouvent dans les paramètres de confidentialité de Cursor et les conditions de données de l'API de xAI. Examinez les deux ; l'utilisation via l'API uniquement via la console xAI est régie séparément de la télémétrie de l'éditeur.
Pourquoi l'entraînement sur les sessions rend-il le modèle meilleur en codage ? Les données de session enseignent le processus : ce qui a échoué, ce que l'humain a corrigé, et à quoi ressemblait le correctif fonctionnel le plus court. Le code statique n'enseigne que l'état final.