Grok 4.5 Benchmarkları: xAI'ın Açıklamaları ve Yorumlama Rehberi

xAI, Grok 4.5'i 8 Temmuz 2026'da dört kodlama kıyaslaması ve bir verimlilik çizelgesi ile piyasaya sürdü. Rakamlar gerçekten ilginç ve aynı zamanda dikkatlice seçilmiş. Bu yazı, yayınlanan her rakamı, her birinin nereden geldiğini, nelerin eksik olduğunu ve liderlik tablolarının güncellenmesini beklemeden kendi değerlendirmenizi nasıl yapacağınızı açıklıyor.

Tek cümlelik dürüst görüş: Grok 4.5, güçlü bir ikinci kademe kodlama modeli gibi kıyaslama testlerinden geçiyor, Claude Opus 4.8 ile sonuçları paylaşıyor ve en üst düzey modellerin gerisinde kalıyor; öne çıkan numarası ise herhangi bir doğruluk skoru yerine çıktı verimliliği.

düğme

xAI'nin Yayınladığı Her Sayı

Duyurudan, dört çizelgenin tamamı:

DeepSWE 1.0 (pass@1)

DeepSWE 1.1

Terminal Bench 2.1

SWE Bench Pro (çözüm oranı)

Verimlilik çizelgesi de dahil: Grok 4.5 için SWE Bench Pro görev başına ortalama 15.954 çıktı tokenı, Opus 4.8 (maks) için 67.020'ye kıyasla, bu 4.2 kat fark anlamına geliyor.

Bu Sayılar Nereden Geliyor?

xAI'nin çizelgelerindeki küçük yazılar her zamankinden daha önemli:

• DeepSWE 1.0, “Datacurve tarafından oluşturuldu, her model sağlayıcısının AA tarafından kullanılan donanımlarıyla çalıştırıldı.”
• DeepSWE 1.1, “Datacurve tarafından çalıştırılan mini-swe-agent donanımını kullandı.”
• “Rakip rakamlar ilgili geliştiricilerin yayınladığı sistem kartlarından veya kıyaslama liderlik tablolarından alınmıştır.”

Tercümesi: bu bir mozaik. Bazı sayılar üçüncü taraf değerlendirme kuruluşlarından, bazıları rakip satıcıların kendi pazarlama sayfalarından geliyor ve satıcı tarafından (satacak bir şeyi olan) bir araya getiriliyor. Bu, saf kendi kendine raporlamadan daha şeffaf ve Datacurve'in katılımı güvenilirlik katıyor. Yine de bağımsız bir değerlendirme değil: donanımlar, iskeleler ve efor ayarları kaynaklara göre farklılık gösteriyor ve bunların her biri ajantik skorları birkaç puan oynatabiliyor. Bu mozaikin dışında henüz kimse Grok 4.5 sayılarını yayınlamadı.

Aynı Çizelgelerin Üç Okuması

Opus 4.8'e karşı, gerçekten bir bölünme var. İki galibiyet (DeepSWE 1.0'da 6.25, Terminal Bench'te 4.4), iki mağlubiyet (DeepSWE 1.1'de 6, SWE Bench Pro'da 4.5). Musk'ın "Opus sınıfı" çerçevesi, yayınladığı verilerle temasını sürdürüyor; daha güçlü bir iddia olmazdı. Hangi kıyaslamaların hangi tarafta olduğuna dikkat edin: Grok terminal odaklı ve eski değerlendirmeleri kazanırken, Opus daha yeni, daha karmaşık repo düzeyindeki değerlendirmeleri kazanıyor. Fiyatlandırma da dahil olmak üzere tam kafa kafaya karşılaştırma için Grok 4.5 vs Claude Opus 4.8'e bakınız.

Sınır modellere karşı, rekabet yok ve xAI bunu inkâr etmedi. Claude Fable 5 (maks) xAI'nin kendi sayfasındaki dört çizelgenin tamamında zirvede yer alıyor ve GPT 5.5 (xhigh) dörtte üçünde Grok 4.5'i geçiyor. İlginç olan hareket, xAI'nin bunları kırpmak yerine basması. Pazarlama açıkça fiyat-performans üzerine, üstünlük üzerine değil. Fable'ın sayılarının pratikte ne anlama geldiği Fable 5 kıyaslama analizimizde ele alınmıştır.

Kendi önceki modeline karşı, yükseltme gerçek ama dar. Opus 4.7'den 4.8'e sıçramalar bu çizelgelerde çoğu nesil farkını cüce bırakıyor ve çok daha az maliyetli GLM 5.2 gibi modellere karşı Grok 4.5'in avantajı, iki ortak kıyaslamada 9-11 puan. Dolar başına yetenek arayanlar bu farkları her iki yönde de dikkatlice okumalıdır.

xAI'nin Görmenizi İstediği Metrik

Verimlilik çizelgesi, lansmanın stratejik kalbi. Çözülen görev başına 15.954 çıktı tokenı, Opus 4.8 (maks) için 67.020'ye kıyasla, Grok 4.5'in karşılaştırılabilir işi dörtte birinden daha az çıktı hacmiyle, saniyede 80 token hızında tamamladığı anlamına geliyor.

Bu meşru bir metriktir, bir yanıltma değil. Çıktı tokenları para ve geçen süre olarak faturalandırılır; ajan döngülerinde her adımda birikirler. SWE Bench Pro'da 4.5 puan daha düşük puan alan ancak 4.2 kat daha az token üreten bir model, yüksek hacimli boru hatları için hala rasyonel bir seçim olabilir; bu, fiyatlandırma analizimizin nicelleştirdiği takas tam da budur (liste fiyatlarından çözülen görev başına ~0.10$ vs ~1.68$ çıktı maliyeti).

İki uyarı. Satıcı tarafından ölçülmüş, tek kıyaslama. Ve karşılaştırma modeli için gevezelik israf değildir: Opus'un uzun çıktıları, kazandığı değerlendirmeleri nasıl kazandığının bir parçası olan genişletilmiş akıl yürütmedir. Verimlilik ve derinlik gerçek bir takastır, bedava bir öğle yemeği değil.

Neler Eksik?

Birkaç hafta yargıyı erteleme nedenleri:

• Bağımsız üçüncü taraf değerlendirme yok. 9 Temmuz itibarıyla Artificial Analysis zeka indeksi girişi yok, LMArena yerleşimi yok, topluluk SWE-bench replikasyonu yok.
• Sadece kodlama. xAI, "bilgi işi" için de pazarladığı bir model için genel akıl yürütme, matematik, bilim veya güvenlik kıyaslamaları yayınlamadı. Ofis işi yetenekleri değerlendirme olarak değil, demo olarak gönderildi.
• Grok'un kendisi için çaba modu açıklaması yok. Rakipler etiketlenmiş (maks, xhigh); Grok 4.5'in skorlarının varsayılan veya maksimum yapılandırmasını yansıtıp yansıtmadığı belirtilmemiş.
• Bir haftalık model. Her lansmandan sonraki ilk ayda regresyonlar, sunum istikrarsızlığı ve sessiz yetenek değişiklikleri yaygındır.

Önemli Olan Kıyaslamayı Çalıştırın: Sizinkini

Herkese açık kıyaslamalar ortalamaları tahmin eder, iş yükünüzü değil. Hafif bir özel değerlendirme, geçiş kararı için yukarıdakilerin hepsini yener:

1. Kendi birikmiş işlerinizden 10-20 gerçek görev toplayın: istemler, kod tabanı bağlamı, beklenen sonuçlar.
2. Apidog'da, aday model başına bir kaydedilmiş istek oluşturun. Hem xAI hem de Anthropic OpenAI uyumlu yüzeyler sunar, bu nedenle donanım üç kod tabanı yerine bir model değişkeni olan bir koleksiyondur.
3. Her görevi grok-4.5'e ve mevcut modelinize karşı çalıştırın. usage nesnesini doğrulayın ve gecikmeyi yakalayın, böylece kaliteyi, hızı ve token tüketimini aynı geçişte puanlayın.
4. Yapabiliyorsanız çıktıları kör olarak puanlayın; model adları değerlendiricileri herkesin itiraf ettiğinden daha fazla etkiler.

Bu son adımda verimlilik iddiası gerçeklikle test edilir: Grok 4.5'in istemlerinizdeki çıktıları ölçülebilir derecede daha kısa değilse, manşet ekonomisi sizin için geçerli değildir. Apidog'u ücretsiz indirin ve tüm donanım kurulumu bir saat sürer. xAI tarafı için kurulum detayları Grok 4.5 API kılavuzumuzda bulunmaktadır.

SSS

xAI Grok 4.5 için hangi kıyaslamaları yayınladı? Dört kodlama değerlendirmesi (DeepSWE 1.0 ve 1.1, Terminal Bench 2.1, SWE Bench Pro) artı Opus 4.8'e karşı token verimliliği karşılaştırması. Kodlama dışında hiçbir şey yok.

Bağımsız Grok 4.5 kıyaslamaları var mı? Henüz yok. Yayınlanan rakamlar, Datacurve tarafından yürütülen değerlendirmeler ile diğer satıcıların sistem kartlarından alınan sayıları karıştırıyor. Bağımsız indeksler genellikle büyük bir lansmandan haftalar sonra yayınlanır.

Grok 4.5, Claude Opus 4.8'i geçiyor mu? Yayınlanan dört kıyaslamanın ikisinde, çok daha düşük maliyetle. Opus, daha zor olan iki repo düzeyindeki değerlendirmeyi kazanıyor. Tam karşılaştırmaya bakınız.

Grok 4.5 mevcut en güçlü kodlama modeli mi? Hayır, xAI'nin kendi çizelgeleri de bunu söylüyor: Claude Fable 5 (maks) yayınlanan her kıyaslamada lider. Grok 4.5, dolar başına zeka konusunda rekabet ediyor.

düğme