Escondida nos materiais de lançamento do Grok 4.5 há uma frase com significado de longo prazo maior do que qualquer benchmark: o modelo “foi treinado juntamente com o Cursor”. De acordo com a própria publicação do Cursor, o editor contribuiu com trilhões de tokens de dados capturando “interações do usuário com bases de código e ferramentas de software”.
Se você usa o Cursor, alguma versão de sessões de desenvolvedor como as suas ajudou a treinar este modelo. Este artigo separa o que está confirmado do que não está, explica por que essa estratégia de dados produziu os pontos fortes distintivos do modelo e aborda o que verificar em suas próprias configurações. Sem pânico, sem desconsideração; os fatos são interessantes o suficiente por si só.
O que as duas empresas disseram
As declarações confirmadas, a partir dos materiais de lançamento:
- O Grok 4.5 foi “treinado juntamente com o Cursor” e “em conjunto com a SpaceXAI”, de acordo com o Cursor.
- Os dados de treinamento capturaram “interações do usuário com bases de código e ferramentas de software”, permitindo que o modelo aprendesse com “software existente, bem como interações desenvolvedor-agente”.
- Reportagens sobre o lançamento, incluindo a cobertura da TechCrunch, descrevem os dados ingeridos como incluindo rastreamentos de depuração, diffs de múltiplos arquivos e correções de usuário para a saída do agente.
O contexto corporativo: a SpaceX concordou em adquirir o Cursor em junho de 2026 em um negócio reportado em US$ 60 bilhões, incorporando o editor à mesma família da xAI. O pipeline de dados é um produto dessa consolidação. Onze dias depois que o Grok 4.5 entrou em beta privado na SpaceX e Tesla, ele foi lançado publicamente com o Cursor como superfície de lançamento.
Por que esses dados são diferentes e por que funcionaram
A maioria dos modelos de código treina em corpora estáticos: repositórios, documentação, tópicos de perguntas e respostas. Isso ensina como o código finalizado se parece. Não ensina o processo para chegar lá.
Os dados de sessão do Cursor são dados de processo. Eles contêm a sequência: o que o desenvolvedor perguntou, o que o agente tentou, qual edição foi revertida, o que o humano mudou depois, quais testes foram executados, como era a correção para a correção. Uma correção de usuário é um exemplo rotulado de “saída plausível que estava errada na prática”, o que se aproxima do sinal de treinamento mais valioso que um modelo de codificação agente pode obter.
Os resultados são visíveis no perfil publicado do modelo. O Grok 4.5 venceu os benchmarks de terminal e fluxo de trabalho (Terminal Bench 2.1: 83,3%, à frente do Opus 4.8) e apresentou um índice incomum de eficiência de token: 15.954 tokens de saída médios por tarefa SWE Bench Pro, cerca de 4,2x menos que o Opus 4.8 (máx.). Os modelos aprendem a verbosidade a partir de seus dados; um modelo treinado em sessões reais, onde os desenvolvedores recompensam a correção de trabalho mais curta, plausivelmente aprendeu a parar de "falar" mais cedo. Os números completos estão em nossa análise de benchmarks.
As perguntas que merecem respostas diretas
O tópico no Hacker News sobre o lançamento trouxe à tona as perguntas que a maioria dos usuários do Cursor tem. Veja o que é possível saber hoje:
- Meus dados foram incluídos? Não é possível responder de fora. “Trilhões de tokens” de dados de interação implicam uma coleta ampla, mas nenhuma das empresas publicou quais grupos de usuários, intervalos de tempo ou estados de consentimento alimentaram o pipeline.
- E o Modo de Privacidade? O Cursor há muito tempo oferece uma configuração de privacidade cuja política declarada é que o código dessas sessões não é armazenado ou usado para treinamento. Nenhuma das publicações de lançamento diz se o corpus do Grok 4.5 precede, respeita ou redefine esses limites. A redação precisa da política de privacidade do Cursor e do acordo de dados do seu plano é o que governa, e vale a pena ler agora, em vez de assumir; políticas em empresas adquiridas são reescritas.
- Isso é contra as regras? Os termos do Cursor permitiram o uso de dados de melhoria de produto que não estão no modo de privacidade. Treinar um modelo carro-chefe em uma empresa afiliada pode ser lido exatamente como isso, em uma escala sem precedentes. Empresas com acordos de processamento de dados devem fazer com que seus advogados comparem “melhoria de produto” com “treinamento de um modelo fundamental comercial”, em vez de aceitar a estrutura de qualquer uma das empresas.
- Meu código está no modelo? A regurgitação literal de dados de treinamento é rara em modelos modernos bem construídos, mas não impossível. Não há auditoria de memorização pública para o Grok 4.5.
O que fazer a respeito, na prática
Para desenvolvedores individuais:
- Verifique suas configurações de privacidade do Cursor hoje. Se você trabalha com algo sensível e o modo de privacidade está desativado, essa é a sua ação, independente de qualquer coisa relacionada ao Grok.
- Leia os termos de dados atuais, não a sua memória deles. A aquisição faz deste o mês certo para reler.
Para equipes:
- Administradores devem auditar as configurações de dados em nível de workspace. Planos de equipe centralizam isso; um único botão cobre todos.
- Separe as preocupações adequadamente. A telemetria do editor é uma superfície de exposição; o que você envia para APIs de modelo no tempo de inferência é outra. As chamadas de inferência são regidas pelos termos de uso de dados da API, não pelo histórico do corpus de treinamento.
- Mantenha segredos fora de ambas as superfícies. Chaves de API, tokens e credenciais não devem estar em prompts ou código enviados para qualquer ferramenta de IA. Se você está testando endpoints de modelo, armazene as chaves como variáveis de ambiente no Apidog, em vez de colá-las em sessões do editor ou coleções compartilhadas; seus segredos ficam em um cofre projetado para eles, e as solicitações de sua equipe referenciam a variável, nunca o valor. Baixe o Apidog gratuitamente para configurar um cofre compartilhado para as chaves de modelo de sua equipe.
Nada disso exige abandonar a ferramenta. Exige saber quais opções existem e configurá-las deliberadamente.
O precedente importa mais do que este lançamento
O Grok 4.5 é o primeiro modelo de fronteira abertamente treinado nas sessões de usuários de um editor comercial. Não será o último. Cada fornecedor de editor de IA agora tem provas de que os dados de sessão produzem capacidade diferenciada, e cada aquisição de uma empresa de ferramentas para desenvolvedores agora tem um subtexto de ativo de dados. GitHub, Google e Amazon detêm corpora de interação análogos.
Os desenvolvedores tornaram-se, efetivamente, rotuladores de dados não remunerados para codificação agente, com documentos de termos de serviço como contratos de trabalho. Isso não é inerentemente sinistro; é assim que as ferramentas melhoram, e a qualidade do Grok 4.5 é, em parte, as correções acumuladas da sua comunidade. Mas isso torna a leitura das configurações de privacidade uma habilidade profissional, em vez de paranoia.
Para o modelo que essas sessões produziram, veja o que é o Grok 4.5, como ele se compara ao Opus 4.8, e como executá-lo dentro do Cursor, com uso duplicado e tudo.
FAQ
A xAI treinou o Grok 4.5 usando dados de usuários do Cursor? Sim, de acordo com a descrição de ambas as empresas: o Cursor contribuiu com trilhões de tokens de dados de interação de desenvolvedores, incluindo sessões de agente e correções de usuário.
O modo de privacidade do Cursor protege meu código de ser usado para treinamento? Esse é o seu propósito declarado. Se e como isso se aplicou ao corpus do Grok 4.5 não foi detalhado publicamente; verifique o texto da política atual e os termos do seu plano.
Posso usar o Grok 4.5 sem contribuir com dados de treinamento futuros? Os controles estão nas configurações de privacidade do Cursor e nos termos de dados da API da xAI. Revise ambos; o uso apenas da API através do console da xAI é regido separadamente da telemetria do editor.
Por que o treinamento em sessões torna o modelo melhor na codificação? Os dados de sessão ensinam o processo: o que falhou, o que o humano corrigiu e como era a correção funcional mais curta. O código estático ensina apenas o estado final.