Grok 4.5ベンチマーク解説：xAI発表のデータをどう読み解くか

xAIは2026年7月8日、4つのコーディングベンチマークと1つの効率チャートを含むGrok 4.5をリリースしました。これらの数値は本当に興味深く、慎重に選ばれたものでもあります。この記事では、公開されたすべての数値、その出所、何が不足しているか、そしてリーダーボードが追いつくのを待つのではなく、独自の評価を実行する方法を解説します。

率直な一文の意見：Grok 4.5は強力な2層コーディングモデルとしてベンチマークを出し、Claude Opus 4.8と結果を分け合いながら最先端モデルには及ばず、その際立った数字は精度スコアよりも出力効率です。

xAIが公開したすべての数値

発表からの抜粋、4つのチャートすべて：

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (解決率)

さらに効率チャートも：**Grok 4.5のSWE Bench Proタスクあたりの平均出力トークンは15,954であるのに対し、Opus 4.8 (max)は67,020**で、4.2倍の差があります。

これらの数値の出所

xAIのチャートの注釈は通常よりも重要です：

• DeepSWE 1.0は「Datacurveによって作成され、各モデルプロバイダーのハーネスを使用してAAが実行」。
• DeepSWE 1.1は「Datacurveによって実行されたmini-swe-agentハーネスを使用」。
• 「競合他社の数値は、各開発者の公開されたシステムカードまたはベンチマークリーダーボードから引用」。

翻訳すると：これはモザイクです。一部の数値は第三者評価機関からのものであり、一部は競合ベンダー自身のマーケティングページからのもので、売りたいものがあるベンダーによってまとめられています。これは純粋な自己申告よりも透明性が高く、Datacurveの関与は信頼性を高めます。しかし、まだ独立した評価ではありません。ハーネス、足場、努力設定は情報源によって異なり、それぞれがエージェントのスコアを数ポイント変動させる可能性があります。このモザイクの外では、まだGrok 4.5の数値を公開している者はいません。

同じチャートの3つの解釈

Opus 4.8と比較すると、真の拮抗状態です。 2勝（DeepSWE 1.0で6.25、Terminal Benchで4.4）、2敗（DeepSWE 1.1で6、SWE Bench Proで4.5）。マスク氏の「Opusクラス」という表現は、彼が公開したデータに照らしても妥当ですが、それ以上の強い主張は成り立ちません。どのベンチマークがどちらの側に寄っているかに注目してください。Grokはターミナル指向の古い評価で勝利し、Opusは新しい、より複雑なリポジトリレベルの評価で勝利しています。価格を考慮した完全な直接比較は、Grok 4.5対Claude Opus 4.8でご覧ください。

最先端モデルと比較すると、競争の余地はなく、xAIもそう偽ってはいません。 xAI自身のページでは、Claude Fable 5 (max)が4つのチャートすべてでトップを占め、GPT 5.5 (xhigh)は4つのうち3つでGrok 4.5を上回っています。興味深い動きは、xAIがこれらの情報を削除せずに公開したことです。彼らの売り文句は、明確に価格性能比であり、優位性ではありません。Fableの数値が実際に何を意味するかは、当社のFable 5ベンチマーク分析で解説しています。

自社の旧モデルと比較すると、アップグレードは実在するものの、その差は小さいです。 これらのチャートにおけるOpus 4.7から4.8への飛躍は、ほとんどの世代間のギャップを矮小化します。そして、はるかに安価なGLM 5.2のようなモデルに対するGrok 4.5の優位性は、共有された2つのベンチマークで9〜11ポイントです。コストパフォーマンスを重視する購入者は、これらのギャップを両方向で注意深く読むべきです。

xAIが見せたい指標

効率チャートは、このリリースの戦略的核となる部分です。解決されたタスクあたり15,954の出力トークンに対し、Opus 4.8 (max)は67,020であり、これはGrok 4.5が同等の作業を4分の1以下の出力ボリュームで、毎秒80トークンで完了することを意味します。

これは正当な指標であり、単なる宣伝ではありません。出力トークンは課金される費用と経過時間に関わります。エージェントループでは、すべてのステップでそれらが積み重なります。SWE Bench Proで4.5ポイント低いスコアでも、4.2倍少ないトークンを出力するモデルは、大量のパイプラインにとって合理的な選択肢となる可能性があります。これは、当社の価格分析が定量化したトレードオフ（定価で解決されたタスクあたり出力が約0.10ドル対約1.68ドル）と全く同じです。

2つの注意点があります。ベンダーが測定した単一のベンチマークであること。そして、比較対象モデルにとって冗長性は無駄ではありません。Opusの長い出力は拡張された推論であり、それが評価に勝利する理由の一部です。効率性と深さは現実のトレードオフであり、ただで手に入るものではありません。

不足しているもの

数週間判断を保留すべき理由：

• 独立した第三者評価がない。 7月9日現在、Artificial Analysisのインテリジェンスインデックスへの掲載、LMArenaへのランクイン、コミュニティによるSWE-benchの再現もない。
• コーディングのみ。 「ナレッジワーク」向けにも販売しているモデルについて、xAIは一般的な推論、数学、科学、または安全性のベンチマークを公開していません。オフィスワーク機能は評価ではなくデモとして提供されました。
• Grok自体の動作モードに関する開示がない。 競合モデルは(max, xhigh)と表示されていますが、Grok 4.5のスコアがデフォルト設定を反映しているのか、最大設定を反映しているのかは明記されていません。
• リリース初期のモデル。 回帰、サービス不安定性、静かな機能変更は、リリース後最初の1ヶ月間によく見られます。

重要なベンチマーク、つまりあなた自身のベンチマークを実行する

公開されているベンチマークは平均値を予測するものであり、あなたのワークロードを予測するものではありません。切り替えの決定においては、軽量なプライベート評価が上記のすべてを上回ります：

1. 独自のバックログから10〜20の実タスクを収集します：プロンプト、コードベースのコンテキスト、期待される結果。
2. Apidogで、候補モデルごとに1つの保存済みリクエストを作成します。xAIとAnthropicの両方がOpenAI互換のインターフェースを公開しているため、ハーネスは3つのコードベースではなく、モデル変数を伴う1つのコレクションとなります。
3. 各タスクをgrok-4.5と既存モデルに対して実行します。usageオブジェクトでアサートし、レイテンシをキャプチャすることで、品質、速度、トークン消費量を同じパスで評価できます。
4. 可能であれば、出力を盲目的に評価してください。モデル名は、誰もが認める以上にレビュアーに偏見を与えます。

最後のステップこそが、効率性の主張が現実と照らされる場所です。Grok 4.5の出力があなたのプロンプトに対して測定可能なほど短くなければ、見出しの経済性はあなたには当てはまりません。Apidogを無料でダウンロードすれば、ハーネス全体のセットアップは1時間で完了します。xAI側の設定の詳細は、当社のGrok 4.5 APIガイドに記載されています。

よくある質問

xAIはGrok 4.5についてどのようなベンチマークを公開しましたか？ 4つのコーディング評価（DeepSWE 1.0および1.1、Terminal Bench 2.1、SWE Bench Pro）と、Opus 4.8とのトークン効率比較です。コーディング以外にはありません。

Grok 4.5の独立したベンチマークはありますか？ まだありません。公開されている数値は、Datacurveが実行した評価と、他のベンダーのシステムカードからの数値を混ぜ合わせたものです。独立したインデックスは通常、主要なリリースから数週間以内に公開されます。

Grok 4.5はClaude Opus 4.8を上回っていますか？ 公開された4つのベンチマークのうち2つで、はるかに低いコストで上回っています。Opusは、より難しい2つのリポジトリレベルの評価で勝利しています。完全な比較を参照してください。

Grok 4.5は利用可能な最強のコーディングモデルですか？ いいえ、xAI自身のチャートがそれを示しています。Claude Fable 5 (max)は公開されたすべてのベンチマークでトップです。Grok 4.5は費用対効果で競争しています。