xAI เปิดตัว Grok 4.5 เมื่อวันที่ 8 กรกฎาคม 2026 พร้อมกับเกณฑ์มาตรฐานการเขียนโค้ดสี่รายการและแผนภูมิประสิทธิภาพหนึ่งรายการ ตัวเลขเหล่านี้เป็นที่น่าสนใจอย่างแท้จริง และยังถูกเลือกมาอย่างพิถีพิถัน บทความนี้จะนำเสนอตัวเลขที่เผยแพร่ทั้งหมด แหล่งที่มาของแต่ละตัวเลข สิ่งที่ขาดหายไป และวิธีดำเนินการประเมินผลด้วยตนเองแทนที่จะรอให้ตารางจัดอันดับอัปเดต
สรุปอย่างตรงไปตรงมาในหนึ่งประโยค: Grok 4.5 ทำคะแนนเกณฑ์มาตรฐานได้เหมือนโมเดลการเขียนโค้ดระดับสองที่แข็งแกร่ง โดยมีผลลัพธ์ที่ใกล้เคียงกับ Claude Opus 4.8 แต่ยังตามหลังโมเดลแนวหน้า และจุดเด่นที่สำคัญคือประสิทธิภาพในการส่งออกผลลัพธ์ ไม่ใช่คะแนนความแม่นยำ
ตัวเลขทุกรายการที่ xAI เผยแพร่
จาก ประกาศ แผนภูมิทั้งสี่รายการมีดังนี้:
DeepSWE 1.0 (pass@1)
| โมเดล | คะแนน |
|---|---|
| Claude Fable 5 (สูงสุด) | 66.1% |
| GPT 5.5 (xhigh) | 64.31% |
| Grok 4.5 | 62.0% |
| Claude Opus 4.8 (สูงสุด) | 55.75% |
| Claude Opus 4.7 (สูงสุด) | 40.12% |
DeepSWE 1.1
| โมเดล | คะแนน |
|---|---|
| Claude Fable 5 (สูงสุด) | 70% |
| GPT 5.5 (xhigh) | 67% |
| Claude Opus 4.8 (สูงสุด) | 59% |
| Grok 4.5 | 53% |
| GLM 5.2 | 44% |
Terminal Bench 2.1
| โมเดล | คะแนน |
|---|---|
| Claude Fable 5 (สูงสุด) | 84.3% |
| GPT 5.5 (xhigh) | 83.4% |
| Grok 4.5 | 83.3% |
| Claude Opus 4.8 (สูงสุด) | 78.9% |
| Claude Opus 4.7 (สูงสุด) | 78.9% |
SWE Bench Pro (อัตราการแก้ไข)
| โมเดล | คะแนน |
|---|---|
| Claude Fable 5 (สูงสุด) | 80.4% |
| Claude Opus 4.8 (สูงสุด) | 69.2% |
| Grok 4.5 | 64.7% |
| Claude Opus 4.7 (สูงสุด) | 64.3% |
| GLM 5.2 | 62.1% |
| GPT 5.5 (xhigh) | 58.6% |
รวมถึงแผนภูมิประสิทธิภาพ: Grok 4.5 มีโทเค็นเอาต์พุตเฉลี่ย 15,954 โทเค็นต่องาน SWE Bench Pro เทียบกับ 67,020 โทเค็นสำหรับ Opus 4.8 (สูงสุด) ซึ่งแตกต่างกัน 4.2 เท่า
ที่มาของตัวเลขเหล่านี้
หมายเหตุเล็กๆ น้อยๆ บนแผนภูมิของ xAI มีความสำคัญมากกว่าปกติ:
- DeepSWE 1.0 “สร้างโดย Datacurve และดำเนินการด้วยชุดเครื่องมือของผู้ให้บริการโมเดลแต่ละรายโดย AA”
- DeepSWE 1.1 ใช้ “mini-swe-agent harness ที่ดำเนินการโดย Datacurve”
- “ตัวเลขของคู่แข่งได้มาจาก System Card หรือตารางจัดอันดับเกณฑ์มาตรฐานที่เผยแพร่โดยผู้พัฒนาที่เกี่ยวข้อง”
แปลว่า: นี่คือภาพโมเสก ตัวเลขบางส่วนมาจากบริษัทประเมินผลภายนอก บางส่วนมาจากหน้าการตลาดของผู้จำหน่ายคู่แข่ง ซึ่งรวบรวมโดยผู้จำหน่ายที่มีสินค้าจะขาย สิ่งนี้โปร่งใสกว่าการรายงานด้วยตนเอง และการมีส่วนร่วมของ Datacurve เพิ่มความน่าเชื่อถือ ถึงกระนั้นก็ยังไม่ใช่การประเมินอิสระ: ชุดเครื่องมือ โครงสร้าง และการตั้งค่าความพยายามแตกต่างกันไปในแต่ละแหล่งที่มา และแต่ละอย่างสามารถทำให้คะแนนตัวแทนเปลี่ยนแปลงไปได้หลายจุด ยังไม่มีใครนอกเหนือจากภาพโมเสกนี้เผยแพร่ตัวเลขของ Grok 4.5 เลย
การตีความสามแบบจากแผนภูมิเดียวกัน
เมื่อเทียบกับ Opus 4.8 ผลลัพธ์มีความสูสีกันอย่างแท้จริง ชนะสองรายการ (DeepSWE 1.0 ด้วย 6.25, Terminal Bench ด้วย 4.4) แพ้สองรายการ (DeepSWE 1.1 ด้วย 6, SWE Bench Pro ด้วย 4.5) คำกล่าวของมัสก์ที่ว่า “ระดับ Opus” ยังคงใช้ได้กับข้อมูลที่เขาเผยแพร่; หากอ้างอิงแรงกว่านี้คงไม่รอด ลองสังเกตว่าเกณฑ์มาตรฐานใดที่ตกอยู่ฝ่ายใด: Grok ชนะการประเมินที่เน้นเทอร์มินัลและรุ่นเก่ากว่า ในขณะที่ Opus ชนะการประเมินระดับรีโพที่ใหม่กว่าและซับซ้อนกว่า การเปรียบเทียบแบบตัวต่อตัวพร้อมราคา สามารถดูได้ที่ Grok 4.5 vs Claude Opus 4.8
เมื่อเทียบกับโมเดลแนวหน้า ไม่มีการแข่งขันเลย และ xAI ก็ไม่ได้แสร้งทำเป็นอย่างอื่น Claude Fable 5 (สูงสุด) ติดอันดับหนึ่งในสี่แผนภูมิบนหน้าเว็บของ xAI และ GPT 5.5 (xhigh) ชนะ Grok 4.5 ในสามจากสี่รายการ สิ่งที่น่าสนใจคือ xAI เลือกที่จะพิมพ์ตัวเลขเหล่านี้ออกมาแทนที่จะตัดออก ข้อเสนอคือประสิทธิภาพต่อราคาอย่างชัดเจน ไม่ใช่ความเป็นเลิศ ตัวเลขของ Fable หมายถึงอะไรในทางปฏิบัติ ครอบคลุมอยู่ใน การวิเคราะห์เกณฑ์มาตรฐาน Fable 5 ของเรา
เมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง การอัปเกรดนั้นจริงแต่ไม่มากนัก การก้าวกระโดดของ Opus 4.7 ไป 4.8 บนแผนภูมิเหล่านี้ทำให้ช่องว่างระหว่างรุ่นส่วนใหญ่ดูเล็กไปเลย และ Grok 4.5 ที่มีเหนือกว่าโมเดลอย่าง GLM 5.2 ซึ่ง มีราคาเพียงเศษเสี้ยว อยู่ 9-11 คะแนนในสองเกณฑ์มาตรฐานที่แชร์กัน ผู้ที่มองหาความสามารถต่อราคาควรพิจารณาช่องว่างเหล่านี้อย่างรอบคอบทั้งสองทิศทาง
เมตริกที่ xAI ต้องการให้คุณเห็น
แผนภูมิประสิทธิภาพคือหัวใจเชิงกลยุทธ์ของการเปิดตัว Grok 4.5 สร้างโทเค็นเอาต์พุต 15,954 โทเค็นต่องานที่แก้ไขได้ เทียบกับ 67,020 โทเค็นสำหรับ Opus 4.8 (สูงสุด) ซึ่งหมายความว่า Grok 4.5 ทำงานที่เทียบเท่ากันได้โดยใช้ปริมาณเอาต์พุตไม่ถึงหนึ่งในสี่ ด้วยความเร็ว 80 โทเค็นต่อวินาที
นี่คือเมตริกที่ถูกต้องตามกฎหมาย ไม่ใช่การบิดเบือน โทเค็นเอาต์พุตมีผลต่อค่าใช้จ่ายและเวลาที่ผ่านไป; ในวงจรของเอเจนต์ พวกมันจะเพิ่มขึ้นเรื่อยๆ ในทุกขั้นตอน โมเดลที่ได้คะแนนต่ำกว่า 4.5 คะแนนใน SWE Bench Pro แต่ปล่อยโทเค็นน้อยลง 4.2 เท่า ก็ยังคงเป็นตัวเลือกที่สมเหตุสมผลสำหรับไปป์ไลน์ที่มีปริมาณงานสูง ซึ่งเป็นข้อแลกเปลี่ยนที่ การวิเคราะห์ราคาของเรา ได้คำนวณไว้ (~$0.10 เทียบกับ ~$1.68 ของเอาต์พุตต่องานที่แก้ไขได้ในราคาปกติ)
ข้อควรระวังสองประการ: วัดโดยผู้จำหน่าย ใช้เกณฑ์มาตรฐานเดียว และความเยิ่นเย้อไม่ถือเป็นความสิ้นเปลืองสำหรับโมเดลเปรียบเทียบ: เอาต์พุตที่ยาวของ Opus คือการให้เหตุผลที่ละเอียด ซึ่งเป็นส่วนหนึ่งที่ทำให้มันชนะการประเมินที่ชนะ ประสิทธิภาพและความลึกเป็นข้อแลกเปลี่ยนที่แท้จริง ไม่ใช่ของฟรี
สิ่งที่ขาดหายไป
เหตุผลที่ควรชะลอการตัดสินใจสักสองสามสัปดาห์:
- ไม่มีการประเมินโดยบุคคลที่สามที่เป็นอิสระ ไม่มีข้อมูลดัชนีความฉลาดของ Artificial Analysis ไม่มีตำแหน่งใน LMArena และยังไม่มีการทำซ้ำ SWE-bench โดยชุมชน ณ วันที่ 9 กรกฎาคม
- การเขียนโค้ดเท่านั้น xAI ไม่ได้เผยแพร่เกณฑ์มาตรฐานการให้เหตุผลทั่วไป คณิตศาสตร์ วิทยาศาสตร์ หรือความปลอดภัยสำหรับโมเดลที่ทำการตลาดสำหรับ “งานความรู้” ด้วย ความสามารถในงานสำนักงานถูกนำเสนอเป็นเดโม ไม่ใช่การประเมินผล
- ไม่มีการเปิดเผยโหมดความพยายามสำหรับ Grok เอง คู่แข่งมีป้ายกำกับ (สูงสุด, xhigh); ไม่ได้ระบุว่าคะแนนของ Grok 4.5 สะท้อนการกำหนดค่าเริ่มต้นหรือสูงสุด
- โมเดลสัปดาห์แรก การถดถอย ความไม่เสถียรของการให้บริการ และการเปลี่ยนแปลงความสามารถเล็กน้อยเป็นเรื่องปกติในเดือนแรกหลังจากการเปิดตัวใดๆ
รันเกณฑ์มาตรฐานที่สำคัญ: ของคุณเอง
เกณฑ์มาตรฐานสาธารณะคาดการณ์ค่าเฉลี่ย ไม่ใช่งานของคุณ การประเมินส่วนตัวแบบเบาๆ ดีกว่าทั้งหมดข้างต้นสำหรับการตัดสินใจเปลี่ยน:
- รวบรวมงานจริง 10-20 งานจาก backlog ของคุณเอง: พร้อมท์, บริบทของ codebase, ผลลัพธ์ที่คาดหวัง
- ใน Apidog สร้างคำขอที่บันทึกไว้หนึ่งรายการต่อโมเดลผู้สมัคร ทั้ง xAI และ Anthropic เปิดเผยอินเทอร์เฟซที่เข้ากันได้กับ OpenAI ดังนั้นชุดเครื่องมือจึงเป็นชุดเดียวที่มีตัวแปรโมเดล ไม่ใช่สาม codebase
- รันแต่ละงานเทียบกับ
grok-4.5และโมเดลที่คุณใช้อยู่เดิม ยืนยันบนออบเจกต์usageและบันทึกเวลาแฝง เพื่อให้คุณได้คะแนนคุณภาพ ความเร็ว และการใช้โทเค็นในการทดสอบครั้งเดียวกัน - ให้คะแนนเอาต์พุตแบบปิดตาหากทำได้; ชื่อโมเดลมีอคติกับผู้รีวิวมากกว่าที่ใครๆ ยอมรับ
ขั้นตอนสุดท้ายคือจุดที่การอ้างประสิทธิภาพถูกทดสอบกับความเป็นจริง: หากเอาต์พุตของ Grok 4.5 บนพร้อมท์ของคุณไม่สั้นลงอย่างเห็นได้ชัด เศรษฐศาสตร์ตามหัวข้อข่าวก็ไม่สามารถนำมาใช้กับคุณได้ ดาวน์โหลด Apidog ฟรี และชุดเครื่องมือทั้งหมดใช้เวลาหนึ่งชั่วโมง รายละเอียดการตั้งค่าสำหรับฝั่ง xAI อยู่ใน คู่มือ API ของ Grok 4.5 ของเรา
คำถามที่พบบ่อย
xAI เผยแพร่เกณฑ์มาตรฐานใดบ้างสำหรับ Grok 4.5? การประเมินการเขียนโค้ดสี่รายการ (DeepSWE 1.0 และ 1.1, Terminal Bench 2.1, SWE Bench Pro) รวมถึงการเปรียบเทียบประสิทธิภาพโทเค็นกับ Opus 4.8 ไม่มีอะไรนอกเหนือจากการเขียนโค้ด
มีเกณฑ์มาตรฐาน Grok 4.5 ที่เป็นอิสระหรือไม่? ยังไม่มี ตัวเลขที่เผยแพร่ผสมผสานการประเมินที่ดำเนินการโดย Datacurve กับตัวเลขจาก system cards ของผู้จำหน่ายรายอื่น ดัชนีอิสระมักจะออกมาภายในไม่กี่สัปดาห์หลังจากการเปิดตัวครั้งใหญ่
Grok 4.5 ชนะ Claude Opus 4.8 หรือไม่? ชนะในสองจากสี่เกณฑ์มาตรฐานที่เผยแพร่ ด้วยต้นทุนที่ต่ำกว่ามาก Opus ชนะการประเมินระดับ repo ที่ยากกว่าสองรายการ ดู การเปรียบเทียบฉบับเต็ม
Grok 4.5 เป็นโมเดลการเขียนโค้ดที่แข็งแกร่งที่สุดที่มีอยู่หรือไม่? ไม่ใช่ และแผนภูมิของ xAI เองก็ระบุเช่นนั้น: Claude Fable 5 (สูงสุด) นำหน้าทุกเกณฑ์มาตรฐานที่เผยแพร่ Grok 4.5 แข่งขันกันที่ความฉลาดต่อดอลลาร์