2026年7月8日にxAIがGrok 4.5を出荷した際、イーロン・マスクは自ら「Opusクラスのモデルでありながら、より高速で、よりトークン効率が高く、低コスト」と比較しました。これは、Anthropicの主力となるコーディングモデルであるClaude Opus 4.8に関する具体的で検証可能な主張です。
では、それを検証してみましょう。この比較は、xAIがその発表で公開した数値、Anthropicの公開されている価格設定、そしてどちらのベンダーもヘッドラインには載せない部分を使用しています。要するに、この主張は概ね妥当ですが、ベンチマークで2敗し、検証に関して大きなアスタリスクが1つ付いています。
スコアカード
xAIは4つのコーディングベンチマークを公開しました。以下に、両モデルとそれらを取り巻くフロンティアの状況を示します。
| ベンチマーク | Grok 4.5 | Opus 4.8 (最大) | 勝者 |
|---|---|---|---|
| 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 (解決) | 64.7% | 69.2% | Opus 4.8 (+4.5) |
それぞれ2勝です。xAI自身のチャートでは、「Opusクラス」という表現は能力の層としては正確ですが、優位性の主張としては間違っています。ただし、マスク氏が主張した内容ではない点はxAIの功績と言えるでしょう。
注目すべきは、Claude Fable 5 (最大) がこれら4つのチャートすべてでトップを占め (66.1 / 70 / 84.3 / 80.4)、GPT 5.5 (xhigh) が4つのうち3つで両モデルを上回っていることです。Grok 4.5は、フロンティアの一歩下の層で、Anthropicがピーク性能ではなく日常業務向けに価格設定しているモデルと競合しています。フロンティアでの戦いを見たいのであれば、それはFable 5 対 Opus 4.8です。
出所に関するアスタリスク
これらは独立したテスト結果ではありません。xAIは、競合他社の数値は「各開発者が公開しているシステムカードまたはベンチマークリーダーボード」から得られたものであり、DeepSWEの評価はDatacurveによって作成され、各プロバイダーのハーネスで実行されたと述べています。これは不透明な自己申告よりも優れていますが、ソースを混合することで、ハーネスやスキャフォールドの違いが比較に影響する可能性があります。Grok 4.5の完全に独立した第三者によるベンチマークはまだ行われていません。当社のベンチマーク詳細分析では、その状況を追跡しています。
価格：Grokは理論上優位、実際にはさらに大きい
100万トークンあたりの表示価格：
| Grok 4.5 | Opus 4.8 | |
|---|---|---|
| 入力 | $2.00 | $5.00 |
| 出力 | $6.00 | $25.00 |
これはOpusの入力価格の40%、出力価格の24%に相当します。（Anthropic側の詳細は、Opus 4.8の価格内訳をご覧ください。）
冗長性を考慮すると、この差はさらに広がります。xAIの報告によると、Grok 4.5はSWE Bench Proタスクを平均15,954の出力トークンで解決します。Opus 4.8 (最大) は同じベンチマークで平均67,020です。解決されたタスクあたりのコストを計算すると：
- Grok 4.5: 15,954トークン × $6/M ≈ タスクあたり$0.10の出力
- Opus 4.8 (最大): 67,020トークン × $25/M ≈ タスクあたり$1.68の出力
ベンダーが報告したトークン数によると、完了したタスクあたりの出力で約17倍安くなります。正確な倍率については注意が必要ですが（1つのベンチマーク、1つのベンダーの測定、そして「最大」努力モードがOpusのトークン数を膨らませているため）、その方向性は議論の余地がありません。つまり、6ドルの簡潔なモデルは、25ドルの冗長なモデルを、価格表が示唆する以上に上回るということです。Grok 4.5の価格説明で、より詳細なシナリオを実行しています。
ただし、注意点として、Opusがタスクあたりより多くのトークンを消費するのは、「最大」モードが詳細に推論するためであり、その推論がSWE Bench Proで4.5ポイントの差をつけて勝利する理由の一部でもあります。あなたは思考に対して料金を支払っているのです。時には、その思考こそが製品なのです。
速度：80 TPSと短い回答が複合的に影響
Grok 4.5は約80トークン/秒で提供され、xAIはこれを「高速モデルの速度」と呼んでいます。出力が4分の1の長さであることと相まって、タスクあたりの実時間（wall-clock time）は二重に短縮されます。つまり、より少ないトークンが、より速く配信されるということです。数十回のモデル呼び出しを連鎖させるエージェントループでは、ステップあたりのレイテンシーがセッションあたり数分の節約につながります。
AnthropicはOpus 4.8に相当するTPS値を公開しておらず、実際の速度は負荷やティアによって異なるため、いずれかのマーケティングページを信頼するのではなく、ご自身のトラフィックでベンチマークを実施してください。
Opus 4.8が優位性を保つ分野
価格がすべてではありません。スコアカードには、そうではない分野が示されています。
- 最も困難なエージェント型コーディング。4つのベンチマークの中で、実際の煩雑なリポジトリ作業に最も近いSWE Bench Proでは、Opusが4.5ポイント差で勝利しています。より新しいDeepSWE 1.1でもOpusが6ポイント差で勝利しています。
- エコシステムの成熟度。Opus 4.8はClaude Code、確立されたツール使用パターン、そして1年間の運用実績に組み込まれています。Grok 4.5は昨日リリースされたばかりで、その統合インターフェースはGrok Build、Cursor、そして新しいAPIです。トークンあたりのコストが低くても、移行コストは現実的なものです。
- 予測可能性。長いコンテキスト下でのOpusの動作、拒否パターン、および障害モードは、私たちを含め、十分に文書化されています。Grok 4.5のものは1週間前の情報です。
どちらを使うべきか？
もしあなたのワークロードが高ボリュームのエージェント型コーディングやナレッジワークであり、API請求額を注視しており、出力価格の4分の1でベンチマークが2勝2敗であることにアービトラージの機会を感じるなら、Grok 4.5を選択してください。ローンチ価格と現在の無料期間を考慮すると、今月はほとんどコストなしで試すことができます。
もしあなたがAnthropicのエコシステムに深く関わっており、この価格帯で最も強力なレポレベルのハードベンチマークで公開されているスコアが必要な場合、または本番環境でリリース初期のモデルリスクを受け入れられないのであれば、Opus 4.8を使い続けてください。
いずれにせよ、ご自身で測定してください。両APIはOpenAI互換の形式を話すため、A/Bハーネスを構築するのは安価です。Apidogでは、モデルごとに1つのリクエストを保存し、最も難しい5つの実際のプロンプトに向け、出力品質、レイテンシー、および使用量オブジェクトを並べて比較します。特にoutput_tokensについて断言します。もしGrokの回答があなたのプロンプトに対して短くない場合、上記の経済性はあなたには適用されません。Apidogを無料でダウンロードし、ワークロードを移行する前にご自身のトラフィックで比較を実行してください。
両方のセットアップガイド：Grok 4.5 APIの使い方とClaude Opus 4.8 APIの使い方。
よくある質問
Grok 4.5はClaude Opus 4.8よりも優れていますか？ xAIが公開したベンチマークでは2勝2敗でした。Grok 4.5は安価でトークン効率が良いですが、Opus 4.8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。「優れている」かどうかは、予算が制約か、ピーク性能が制約かによって異なります。
Grok 4.5はOpus 4.8よりもどれくらい安いですか？ 入力トークン100万あたり$2対$5、出力トークン100万あたり$6対$25です。解決されたコーディングタスクあたりでは、ベンダーが報告したトークン数から、はるかに大きな実質的な差が示唆されます。
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、xAIの実行結果、Datacurveの評価、および他のベンダーのシステムカードが混在しています。独立した数値は、ローンチから数週間以内に発表されるはずです。
同じコードで両方のモデルをテストできますか？ ほとんどの場合、可能です。両方ともOpenAI互換のチャット補完を公開しているので、base_url、キー、モデルIDを交換するだけで基本はカバーできます。ツール呼び出しや構造化出力の詳細は異なりますので、切り替える前にそれらのパスを明示的にテストしてください。