xAI đã ra mắt Grok 4.5 vào ngày 8 tháng 7 năm 2026 với bốn tiêu chuẩn đánh giá mã hóa và một biểu đồ hiệu suất. Các số liệu thực sự thú vị và cũng được lựa chọn cẩn thận. Bài viết này trình bày mọi số liệu đã công bố, nguồn gốc của từng số liệu, những gì còn thiếu và cách tự chạy đánh giá của riêng bạn thay vì chờ đợi các bảng xếp hạng cập nhật.
Nhận định thẳng thắn trong một câu: Grok 4.5 đạt điểm chuẩn như một mô hình mã hóa hạng hai mạnh mẽ, chia sẻ kết quả với Claude Opus 4.8 trong khi vẫn xếp sau các mô hình tiên tiến nhất, và điểm nổi bật của nó là hiệu quả đầu ra chứ không phải bất kỳ điểm chính xác nào.
Mọi số liệu mà xAI đã công bố
Từ thông báo, toàn bộ bốn biểu đồ:
DeepSWE 1.0 (pass@1)
| Mô hình | Điểm |
|---|---|
| Claude Fable 5 (max) | 66.1% |
| GPT 5.5 (xhigh) | 64.31% |
| Grok 4.5 | 62.0% |
| Claude Opus 4.8 (max) | 55.75% |
| Claude Opus 4.7 (max) | 40.12% |
DeepSWE 1.1
| Mô hình | Điểm |
|---|---|
| Claude Fable 5 (max) | 70% |
| GPT 5.5 (xhigh) | 67% |
| Claude Opus 4.8 (max) | 59% |
| Grok 4.5 | 53% |
| GLM 5.2 | 44% |
Terminal Bench 2.1
| Mô hình | Điểm |
|---|---|
| Claude Fable 5 (max) | 84.3% |
| GPT 5.5 (xhigh) | 83.4% |
| Grok 4.5 | 83.3% |
| Claude Opus 4.8 (max) | 78.9% |
| Claude Opus 4.7 (max) | 78.9% |
SWE Bench Pro (tỷ lệ giải quyết)
| Mô hình | Điểm |
|---|---|
| Claude Fable 5 (max) | 80.4% |
| Claude Opus 4.8 (max) | 69.2% |
| Grok 4.5 | 64.7% |
| Claude Opus 4.7 (max) | 64.3% |
| GLM 5.2 | 62.1% |
| GPT 5.5 (xhigh) | 58.6% |
Cộng thêm biểu đồ hiệu suất: Grok 4.5 đạt trung bình 15.954 token đầu ra cho mỗi tác vụ SWE Bench Pro, so với 67.020 token cho Opus 4.8 (max), chênh lệch 4,2 lần.
Nguồn gốc của những số liệu này
Chú thích nhỏ trên các biểu đồ của xAI quan trọng hơn bình thường:
- DeepSWE 1.0 được “tạo bởi Datacurve, chạy với các công cụ đánh giá của từng nhà cung cấp mô hình bởi AA.”
- DeepSWE 1.1 sử dụng “công cụ mini-swe-agent do Datacurve chạy.”
- “Số liệu của đối thủ cạnh tranh được lấy từ các thẻ hệ thống hoặc bảng xếp hạng tiêu chuẩn đánh giá đã công bố của các nhà phát triển tương ứng.”
Nói cách khác: đây là một bức tranh ghép. Một số số liệu đến từ các cơ sở đánh giá bên thứ ba, một số từ các trang tiếp thị của các nhà cung cấp đối thủ, được tập hợp bởi nhà cung cấp có sản phẩm để bán. Điều đó minh bạch hơn so với việc tự báo cáo hoàn toàn, và sự tham gia của Datacurve làm tăng thêm độ tin cậy. Tuy nhiên, đây vẫn chưa phải là một đánh giá độc lập: các công cụ, cấu trúc hỗ trợ và cài đặt nỗ lực khác nhau giữa các nguồn, và mỗi yếu tố đó có thể làm thay đổi điểm số của tác tử vài điểm. Chưa có ai ngoài bức tranh ghép này công bố số liệu về Grok 4.5.
Ba cách đọc cùng một biểu đồ
So với Opus 4.8, đây là một sự phân chia rõ ràng. Hai chiến thắng (DeepSWE 1.0 với 6,25 điểm, Terminal Bench với 4,4 điểm), hai thất bại (DeepSWE 1.1 với 6 điểm, SWE Bench Pro với 4,5 điểm). Cách phân loại “tương đương Opus” của Musk vẫn đúng với dữ liệu ông công bố; một tuyên bố mạnh mẽ hơn sẽ không. Hãy chú ý xem tiêu chuẩn nào thuộc về bên nào: Grok thắng các đánh giá hướng về terminal và cũ hơn, Opus thắng các đánh giá cấp độ kho chứa mã (repo-level) mới hơn, phức tạp hơn. So sánh trực tiếp đầy đủ, kèm theo giá cả, tại Grok 4.5 vs Claude Opus 4.8.
So với các mô hình tiên tiến nhất, không có sự cạnh tranh nào, và xAI cũng không giả vờ khác đi. Claude Fable 5 (max) đứng đầu cả bốn biểu đồ trên trang của xAI, và GPT 5.5 (xhigh) đánh bại Grok 4.5 ở ba trong bốn tiêu chuẩn. Điều thú vị là xAI đã công bố những số liệu này thay vì cắt bỏ chúng. Thông điệp rõ ràng là về hiệu suất-giá, chứ không phải sự vượt trội tuyệt đối. Ý nghĩa thực tế của các số liệu của Fable được đề cập trong phân tích tiêu chuẩn đánh giá Fable 5 của chúng tôi.
So với phiên bản tiền nhiệm của chính nó, bản nâng cấp là có thật nhưng không lớn. Sự nhảy vọt từ Opus 4.7 lên 4.8 trên các biểu đồ này làm lu mờ hầu hết các khoảng cách thế hệ, và lợi thế của Grok 4.5 so với các mô hình như GLM 5.2, vốn có chi phí thấp hơn nhiều, là 9-11 điểm trên hai tiêu chuẩn đánh giá chung. Những người mua sắm quan tâm đến hiệu suất trên mỗi đô la nên xem xét kỹ lưỡng những khoảng cách này theo cả hai hướng.
Số liệu mà xAI muốn bạn thấy
Biểu đồ hiệu suất là trọng tâm chiến lược của đợt ra mắt. 15.954 token đầu ra cho mỗi tác vụ được giải quyết, so với 67.020 của Opus 4.8 (max), có nghĩa là Grok 4.5 hoàn thành công việc tương đương với chưa đầy một phần tư khối lượng đầu ra, với tốc độ 80 token mỗi giây.
Đây là một số liệu hợp lệ, không phải là chiêu trò. Token đầu ra được tính phí theo tiền và thời gian đã trôi qua; trong các vòng lặp tác tử, chúng cộng dồn qua mỗi bước. Một mô hình có điểm số thấp hơn 4,5 điểm trên SWE Bench Pro nhưng xuất ra ít hơn 4,2 lần số token vẫn có thể là lựa chọn hợp lý cho các quy trình khối lượng lớn, đây chính xác là sự đánh đổi mà phân tích giá của chúng tôi định lượng (~$0,10 so với ~$1,68 đầu ra cho mỗi tác vụ được giải quyết theo giá niêm yết).
Hai lưu ý. Đo lường bởi nhà cung cấp, tiêu chuẩn đánh giá đơn lẻ. Và sự dài dòng không phải là lãng phí đối với mô hình so sánh: các đầu ra dài của Opus là lập luận mở rộng, đây là một phần lý do giúp nó chiến thắng các đánh giá mà nó tham gia. Hiệu quả và chiều sâu là một sự đánh đổi thực sự, chứ không phải là thứ có được dễ dàng.
Những gì còn thiếu
Những lý do để giữ sự đánh giá trong vài tuần:
- Không có đánh giá độc lập từ bên thứ ba. Tính đến ngày 9 tháng 7, chưa có mục nhập chỉ số trí tuệ Artificial Analysis, chưa có vị trí trên LMArena, chưa có bản sao SWE-bench cộng đồng.
- Chỉ mã hóa. xAI không công bố các tiêu chuẩn đánh giá về suy luận tổng quát, toán học, khoa học hoặc an toàn cho một mô hình mà họ cũng quảng bá cho “công việc tri thức”. Các khả năng làm việc văn phòng được cung cấp dưới dạng bản demo, không phải đánh giá.
- Không tiết lộ chế độ nỗ lực cho Grok. Các đối thủ được dán nhãn (max, xhigh); không nói rõ liệu điểm số của Grok 4.5 phản ánh cấu hình mặc định hay tối đa của nó.
- Một mô hình mới ra mắt. Các lỗi hồi quy, sự mất ổn định của dịch vụ và những thay đổi khả năng thầm lặng thường xảy ra trong tháng đầu tiên sau bất kỳ lần ra mắt nào.
Chạy tiêu chuẩn đánh giá quan trọng: của bạn
Các tiêu chuẩn đánh giá công khai dự đoán mức trung bình, không phải khối lượng công việc của bạn. Một đánh giá riêng tư nhẹ nhàng vượt trội hơn tất cả những điều trên cho một quyết định chuyển đổi:
- Thu thập 10-20 tác vụ thực tế từ danh sách công việc tồn đọng của riêng bạn: các câu lệnh (prompts), ngữ cảnh cơ sở mã, các kết quả mong đợi.
- Trong Apidog, xây dựng một yêu cầu đã lưu cho mỗi mô hình ứng cử. Cả xAI và Anthropic đều cung cấp các giao diện tương thích OpenAI, vì vậy công cụ là một bộ sưu tập với một biến mô hình, chứ không phải ba cơ sở mã.
- Chạy mỗi tác vụ đối với
grok-4.5và mô hình hiện tại của bạn. Xác nhận trên đối tượngusagevà ghi lại độ trễ, để bạn đang chấm điểm chất lượng, tốc độ và lượng token tiêu thụ trong cùng một lần chạy. - Chấm điểm đầu ra ẩn danh nếu có thể; tên mô hình ảnh hưởng đến người đánh giá nhiều hơn bất kỳ ai thừa nhận.
Bước cuối cùng đó là nơi tuyên bố về hiệu suất được kiểm chứng bằng thực tế: nếu đầu ra của Grok 4.5 trên các câu lệnh của bạn không ngắn hơn một cách rõ rệt, thì lợi ích kinh tế chính không áp dụng cho bạn. Tải Apidog miễn phí và toàn bộ công cụ chỉ mất một giờ. Chi tiết thiết lập cho phía xAI có trong hướng dẫn API Grok 4.5 của chúng tôi.
Câu hỏi thường gặp
xAI đã công bố những tiêu chuẩn đánh giá nào cho Grok 4.5? Bốn đánh giá mã hóa (DeepSWE 1.0 và 1.1, Terminal Bench 2.1, SWE Bench Pro) cùng với so sánh hiệu quả token so với Opus 4.8. Không có gì ngoài mã hóa.
Có tiêu chuẩn đánh giá độc lập nào cho Grok 4.5 không? Chưa có. Các số liệu đã công bố pha trộn giữa các đánh giá do Datacurve thực hiện với số liệu từ các thẻ hệ thống của các nhà cung cấp khác. Các chỉ số độc lập thường xuất hiện trong vòng vài tuần sau một đợt ra mắt lớn.
Grok 4.5 có đánh bại Claude Opus 4.8 không? Ở hai trong bốn tiêu chuẩn đánh giá đã công bố, với chi phí thấp hơn nhiều. Opus thắng hai đánh giá cấp độ kho chứa mã khó hơn. Xem bài so sánh đầy đủ.
Grok 4.5 có phải là mô hình mã hóa mạnh nhất hiện có không? Không, và các biểu đồ của xAI cũng cho thấy điều đó: Claude Fable 5 (max) dẫn đầu mọi tiêu chuẩn đánh giá đã công bố. Grok 4.5 cạnh tranh về trí tuệ trên mỗi đô la.