Grok 4.5 Benchmarks: O que a xAI publicou e como interpretá-los

A xAI lançou o Grok 4.5 em 8 de julho de 2026, com quatro benchmarks de codificação e um gráfico de eficiência. Os números são genuinamente interessantes, e também foram cuidadosamente escolhidos. Este artigo apresenta cada dado publicado, de onde cada um vem, o que está faltando e como executar sua própria avaliação em vez de esperar que os placares se atualizem.

A opinião honesta em uma frase: O Grok 4.5 se comporta como um modelo de codificação de nível intermediário forte nos benchmarks, dividindo resultados com o Claude Opus 4.8, enquanto fica atrás dos modelos de ponta, e seu número de destaque é a eficiência de saída, e não qualquer pontuação de precisão.

Cada número que a xAI publicou

Do anúncio, todos os quatro gráficos na íntegra:

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (taxa de resolução)

Além do gráfico de eficiência: 15.954 tokens de saída médios por tarefa SWE Bench Pro para o Grok 4.5, versus 67.020 para o Opus 4.8 (max), uma diferença de 4.2x.

De onde vêm esses números

As letras miúdas nos gráficos da xAI importam mais do que o usual:

• DeepSWE 1.0 foi “criado pela Datacurve, executado com as ferramentas de cada provedor de modelo pela AA.”
• DeepSWE 1.1 utilizou as “ferramentas mini-swe-agent executadas pela Datacurve.”
• “Os números dos concorrentes são extraídos dos respectivos cartões de sistema publicados pelos desenvolvedores ou dos placares de benchmark.”

Tradução: isso é um mosaico. Alguns números vêm de empresas de avaliação terceirizadas, alguns das páginas de marketing dos próprios fornecedores rivais, montados pelo fornecedor com algo a vender. Isso é mais transparente do que a autoavaliação pura, e o envolvimento da Datacurve adiciona credibilidade. Ainda não é uma avaliação independente: as ferramentas, a estrutura e as configurações de esforço diferem entre as fontes, e cada uma delas pode mover as pontuações dos agentes em vários pontos. Ninguém fora deste mosaico publicou números do Grok 4.5 ainda.

Três interpretações dos mesmos gráficos

Contra o Opus 4.8, é uma divisão genuína. Duas vitórias (DeepSWE 1.0 por 6.25, Terminal Bench por 4.4), duas derrotas (DeepSWE 1.1 por 6, SWE Bench Pro por 4.5). O enquadramento de Musk como "classe Opus" sobrevive ao contato com os dados que ele publicou; uma afirmação mais forte não. Observe quais benchmarks caem de que lado: o Grok vence as avaliações mais antigas e orientadas a terminais, o Opus vence as mais recentes e complexas de nível de repositório. Comparação direta completa, com preços incluídos, em Grok 4.5 vs Claude Opus 4.8.

Contra a fronteira, não há competição, e a xAI não fingiu o contrário. O Claude Fable 5 (max) lidera todos os quatro gráficos na própria página da xAI, e o GPT 5.5 (xhigh) supera o Grok 4.5 em três dos quatro. O movimento interessante é que a xAI imprimiu isso em vez de cortá-los. A proposta é explicitamente de preço-desempenho, não de supremacia. O que os números do Fable significam na prática é abordado em nossa análise de benchmarks do Fable 5.

Contra seu próprio predecessor, a atualização é real, mas limitada. Os saltos do Opus 4.7 para 4.8 nesses gráficos superam a maioria das lacunas geracionais, e a vantagem do Grok 4.5 sobre modelos como o GLM 5.2, que custa uma fração, é de 9 a 11 pontos nos dois benchmarks compartilhados. Compradores de capacidade por dólar devem ler essas lacunas cuidadosamente em ambas as direções.

A métrica que a xAI quer que você veja

O gráfico de eficiência é o coração estratégico do lançamento. 15.954 tokens de saída por tarefa resolvida, contra 67.020 para o Opus 4.8 (max), significa que o Grok 4.5 completa um trabalho comparável em menos de um quarto do volume de saída, entregue a 80 tokens por segundo.

Esta é uma métrica legítima, não é manipulação. Tokens de saída são dinheiro faturado e tempo decorrido; em loops de agente, eles se acumulam a cada passo. Um modelo que pontua 4.5 pontos a menos no SWE Bench Pro, mas emite 4.2x menos tokens, ainda pode ser a escolha racional para pipelines de alto volume, que é exatamente a troca que nossa análise de preços quantifica (~$0.10 vs ~$1.68 de saída por tarefa resolvida a preços de tabela).

Duas ressalvas. Medido pelo fornecedor, benchmark único. E a verbosidade não é desperdício para o modelo de comparação: as saídas longas do Opus são raciocínio estendido, o que é parte de como ele vence as avaliações que vence. Eficiência e profundidade são uma troca real, não um almoço grátis.

O que está faltando

Razões para adiar o julgamento por algumas semanas:

• Nenhuma avaliação independente de terceiros. Nenhuma entrada no índice de inteligência Artificial Analysis, nenhum posicionamento no LMArena, nenhuma replicação comunitária do SWE-bench até 9 de julho.
• Apenas codificação. A xAI não publicou benchmarks de raciocínio geral, matemática, ciência ou segurança para um modelo que ela comercializa também para "trabalho do conhecimento". As capacidades de trabalho de escritório foram apresentadas como demonstrações, não como avaliações.
• Nenhuma divulgação do modo de esforço para o próprio Grok. Os concorrentes são rotulados (max, xhigh); se as pontuações do Grok 4.5 refletem sua configuração padrão ou máxima não é declarado.
• Um modelo de primeira semana. Regressões, instabilidade do serviço e mudanças silenciosas de capacidade são comuns no primeiro mês após qualquer lançamento.

Execute o benchmark que importa: o seu

Benchmarks públicos preveem médias, não sua carga de trabalho. Uma avaliação privada leve supera tudo o que foi dito acima para uma decisão de troca:

1. Colete de 10 a 20 tarefas reais do seu próprio backlog: os prompts, o contexto da base de código, os resultados esperados.
2. No Apidog, crie uma solicitação salva por modelo candidato. Tanto a xAI quanto a Anthropic expõem interfaces compatíveis com OpenAI, então a estrutura é uma coleção com uma variável de modelo, não três bases de código.
3. Execute cada tarefa contra grok-4.5 e seu modelo atual. Confirme o objeto usage e capture a latência, para que você esteja pontuando qualidade, velocidade e consumo de tokens na mesma passagem.
4. Pontue as saídas às cegas, se puder; nomes de modelos influenciam os revisores mais do que qualquer um admite.

Esse último passo é onde a afirmação de eficiência é testada contra a realidade: se as saídas do Grok 4.5 em seus prompts não são visivelmente mais curtas, a economia anunciada não se aplica a você. Baixe o Apidog gratuitamente e toda a configuração leva uma hora. Detalhes de configuração para o lado xAI estão em nosso guia da API do Grok 4.5.

FAQ

Quais benchmarks a xAI publicou para o Grok 4.5? Quatro avaliações de codificação (DeepSWE 1.0 e 1.1, Terminal Bench 2.1, SWE Bench Pro) mais uma comparação de eficiência de tokens contra o Opus 4.8. Nada fora da codificação.

Existem benchmarks independentes do Grok 4.5? Ainda não. Os números publicados misturam avaliações realizadas pela Datacurve com números de cartões de sistema de outros fornecedores. Índices independentes geralmente aparecem semanas após um grande lançamento.

O Grok 4.5 supera o Claude Opus 4.8? Em dois dos quatro benchmarks publicados, com custo muito menor. O Opus vence as duas avaliações de nível de repositório mais difíceis. Veja a comparação completa.

O Grok 4.5 é o modelo de codificação mais forte disponível? Não, e os próprios gráficos da xAI o dizem: o Claude Fable 5 (max) lidera todos os benchmarks publicados. O Grok 4.5 compete em inteligência por dólar.