Grok 4.5 测评：500K 上下文、80 TPS，Coding 与 Agent 到底有多强？
Grok 4.5 发布以后，我先看完了 xAI 的官方公告和开发者文档，又把 X 和 Reddit 上几轮讨论翻了一遍。
先说结论：这不是一次面向普通聊天体验的小修小补，而是 xAI 明确冲着 Coding、Agent 和知识工作推出的一代旗舰模型。
但社区真正关心的，显然不是发布页上的“最聪明模型”几个字，而是下面这些更现实的问题：
- Grok 4.5 写代码到底能不能和 Claude、GPT、GLM 正面对比？
- 官方宣传的 80 TPS 和更少输出 Token，在真实任务里有没有意义？
- 500K 上下文是否适合大型代码库和长时间 Agent 任务？
- 官方 API 输入 2 美元、输出 6 美元，究竟便宜还是贵？
- 为什么有人说它是明显升级，也有人刚用两分钟就撞上限制？
这篇文章不复读发布会，而是把官方可验证信息、X 上的发布讨论、Reddit 的早期体验和实际接入建议放到一起看。
先说结论：Grok 4.5 值得进测试池，但别只看 benchmark
如果你只想看最短版结论，可以记住这几点：
Grok 4.5于 2026 年 7 月 8 日正式发布，模型名是grok-4.5。- 官方定位非常直接：Coding、Agentic Tasks 和 Knowledge Work。
- 支持 500K Token 上下文，知识截止时间是 2026 年 2 月 1 日。
- 官方称推理速度约 80 TPS，并强调它完成同类任务时所需 Token 更少。
- API 官方价格为 输入 2 美元/百万 Token、输出 6 美元/百万 Token。
- 支持
low、medium、high三档推理强度，默认是high。 - 当前最值得测试的场景是：大型工程修改、终端任务、复杂 Agent 流程、办公文档和高约束知识工作。
我的判断是：Grok 4.5 已经不是“有空可以试试”的模型，而是做多模型路由、AI 编程或 Agent 产品的团队应该认真跑一轮评测的候选。
不过，它也不是一眼看上去毫无争议的赢家。发布初期的入口混乱、订阅限额，以及部分 benchmark 的数据边界，都值得单独说清楚。
Grok 4.5 的核心规格
根据 xAI 官方模型页和发布说明，Grok 4.5 的关键信息如下：
| 项目 | Grok 4.5 |
|---|---|
| 模型 ID | grok-4.5 |
| 架构 | MoE（混合专家） |
| 主要定位 | Coding、Agent、知识工作 |
| 上下文长度 | 500K Token |
| 推理速度 | 官方称约 80 TPS |
| 推理强度 | low / medium / high |
| 官方输入价格 | $2 / 1M Token |
| 官方输出价格 | $6 / 1M Token |
| 知识截止时间 | 2026-02-01 |
| 实时信息 | 需要启用 Web Search 或 X Search 工具 |
这里最值得注意的不是某一项参数，而是它们组合起来形成的产品方向：
500K 长上下文负责装下工程与文档，80 TPS 负责缩短等待时间，更高的 Token 效率负责控制长任务成本。
这是一套明显为 Agent 执行链设计的组合，而不是单纯为了聊天榜单。
Coding 能力：官方分数很强，但结论要克制
xAI 公布了 DeepSWE、SWE Marathon、Terminal Bench 2.1 和 SWE Bench Pro 等工程类评测。
其中几个比较有代表性的结果是：
SWE Marathon：Grok 4.5 为 29.0%Terminal Bench 2.1：Grok 4.5 为 83.3%SWE Bench Pro：Grok 4.5 为 64.7%DeepSWE 1.0：Grok 4.5 为 62.0%
这些分数说明它的主战场非常明确：
- 读懂真实代码库
- 在终端里连续执行任务
- 修改多文件工程
- 处理编译、测试和回归
- 在长链路里保持目标不漂移
但 benchmark 不能直接等于“你的项目也一定更好”。尤其是 Cursor 对相关评测披露过一个重要边界：Grok 4.5 的训练数据曾意外包含较早版本的 Cursor 代码库快照，具体对 CursorBench 分数的影响无法准确量化。
这不等于所有结果都失效，但它提醒我们：
选择模型时应该用自己的仓库、自己的测试和自己的任务成本来验，而不是只看一张排名图。
80 TPS 可能比排名更重要
官方称 Grok 4.5 的服务速度约为 80 Token/秒。在 Reddit 的开发者讨论里，速度也是最常被认可的优点之一。
对于一句话问答，80 TPS 只是“看起来更快”。但放到 Agent 任务里，差别会被明显放大：
- 模型要连续读几十个文件
- 多轮调用工具和终端
- 生成补丁并重新测试
- 失败后复盘，再走下一轮
每轮快一点，整条链路就可能少等十几分钟。
xAI 还声称，Grok 4.5 在 SWE Bench Pro 任务上平均输出约 15,954 Token，而其对比中的 Opus 4.8 约为 67,020 Token，即输出 Token 少约 4.2 倍。
这个数字属于厂商口径，不能无条件外推到所有项目。但它提出了一个很实际的评估方式：
不要只比较每百万 Token 单价，还要比较完成同一个任务总共花了多少 Token、多少分钟、返工几次。
500K 上下文适合哪些任务？
500K 并不是当前市场里最大的上下文数字，但对大多数开发和知识工作已经足够大。
它特别适合：
- 中大型代码仓库的跨模块分析
- PR、Issue、日志和技术文档联合排查
- 长合同、研究资料和企业知识库整理
- 多轮 Agent 任务保留执行历史
- 多文件 Word、Excel、PowerPoint 工作流
但要注意，上下文窗口大不等于每个位置都同样准确，也不等于应该把整个仓库不加筛选地塞进去。
更好的做法仍然是：
- 先让 Agent 建立目录和依赖地图。
- 按任务检索最相关的文件。
- 把测试结果、错误日志和决策摘要持续写回上下文。
- 对超长任务做阶段存档，避免后半段被旧噪音淹没。
Reddit 上的真实评价：能力升级明显，产品限制也很真实
Reddit 的早期口碑不是一边倒，这反而比发布稿更有参考价值。
好评集中在三件事
第一，复杂指令下的稳定性和表达质量提升。有用户认为 Grok 4.5 不只是在 Coding 上变强，它处理模糊前提、复杂写作要求和长指令时，不再像之前某些版本那样急着给出表面答案。
第二，速度快且工程任务更像能真正交付。在 LocalLLaMA 等讨论中，有开发者把它放在 Sonnet、Opus、GLM 等模型旁边比较，认可它的吞吐速度和单位任务成本潜力。
第三，API 版本与普通 App 体验差异明显。一些用户表示，通过 API 或 Grok Build 调用的 4.5，和网页或 App 中无法确认版本的体验“像两个产品”。
负面反馈也集中在三件事
第一，访问入口和模型标识不够清楚。发布初期，用户很难确认网页、App、Heavy 或 Expert 模式到底在跑哪个模型。让模型自报版本也不可靠，因为模型会根据网络内容猜测自己的身份。
第二，免费体验与订阅限额引发争议。有用户在 Grok Build 中执行约 105K/500K Token 的任务时，短时间内就撞上使用上限。也有用户抱怨周限额让长任务缺乏可预测性。
第三，“每 Token 便宜”不等于“每个用户一定便宜”。如果订阅额度低、任务中途停止，或者你的工作流需要频繁重跑，实际成本可能和 API 单价给人的直觉完全不同。
所以社区反馈最终指向同一个结论：
模型本身可能很强，但生产体验取决于你从什么入口使用、额度是否透明，以及任务失败后是否可以无缝恢复。
X 上大家最关注什么？
X 上的讨论更偏发布速度、模型竞争和 Coding 演示。
最常见的关注点包括：
- 与 Cursor 联合训练是否让 Grok 在真实开发场景中更实用
- 单 Prompt 构建完整应用的视觉和交互完成度
- 在 GPT、Claude 和中国 Coding 模型之间，Grok 是否成为新的高性价比选项
- 更大的后续模型和更快迭代节奏是否会迅速替换 4.5
这些讨论热闹，但对购买 API 的企业来说，真正应该追踪的是另外几项：
- 固定版本 alias 是否可用
- 高峰期延迟和失败率
- 长任务的实际 Token 消耗
- 工具调用成功率
- 不同 reasoning effort 的质量差异
Grok 4.5 官方价格贵不贵？
单看公开价格，输入 $2/M、输出 $6/M，Grok 4.5 对旗舰 Coding 模型来说有竞争力。
但成本评估至少要看四层：
- 输入成本：大型仓库和长文档会反复发送上下文。
- 输出成本：推理轨迹、代码和工具调用会显著增加输出量。
- 任务成功率：一次做对和三次返工，成本完全不同。
- 平台成本：是否需要分别充值、管理多个 Key、处理地区支付和故障切换。
如果你本来就需要同时测试 Grok、GPT、Claude、GLM、DeepSeek 等模型，通过 llm-agent 这类统一模型 API 平台会更适合做真实对比。它的价值不是改变模型本身，而是把：
- 统一 API Key
- 多模型切换
- 用量与成本对比
- 余额管理
- 接入教程
放到同一条调用链上，减少为了测试一个模型重新改代码和开户的成本。
你可以直接查看 模型价格与可用模型、购买 API Token 和 统一接口接入教程。具体模型是否可用、实时价格与区域支持，请以平台页面显示为准。
谁适合用 Grok 4.5？
我会优先推荐下面几类团队测试：
- 使用 AI Agent 维护中大型代码库的研发团队
- 需要快速完成原型、前端和端到端应用的独立开发者
- 需要处理复杂 Excel、Word 和 PowerPoint 的知识工作者
- 正在搭建多模型路由、希望降低单一供应商依赖的平台
- 想比较 Claude、GPT、Grok 与中国 Coding 模型成本的企业
以下场景则不建议仅凭宣传直接切换：
- 对输出一致性有严格要求、尚未完成回归测试的生产系统
- 依赖网页或 App 订阅，但无法确认具体模型和额度的用户
- 需要欧盟立即可用或有严格区域合规要求的项目
- 只做简单聊天，无法从长上下文和 Agent 能力中获得收益的场景
我的最终评价
Grok 4.5 最打动人的，不是某个 benchmark 超过了谁，而是它把三件以前经常互相冲突的东西放在了一起：
旗舰级 Coding 能力、接近快模型的输出速度，以及更低的单位任务 Token 消耗。
从官方数据和首批社区反馈看，它确实是 xAI 在工程与 Agent 方向上一次明显的升级。复杂指令、终端任务、长流程和知识工作，都比“普通聊天”更能体现它的价值。
但它目前仍有需要观察的地方：发布初期入口混乱、订阅限额不透明、部分评测存在训练数据边界，以及真实项目上的长期稳定性还缺少足够多公开样本。
所以最诚实的结论不是“Grok 4.5 已经碾压所有模型”，而是：
如果你做 Coding 或 Agent，Grok 4.5 值得立刻进入自己的真实任务测试池；如果你只看榜单就全量迁移，那还太早。
FAQ
Grok 4.5 什么时候发布？
Grok 4.5 于 2026 年 7 月 8 日正式发布，并在 xAI API、Grok Build 和 Cursor 等入口提供。
Grok 4.5 的上下文长度是多少？
xAI 官方模型页标注为 500K Token。
Grok 4.5 API 价格是多少？
官方标准价格为输入 $2/百万 Token、输出 $6/百万 Token。第三方平台或统一 API 平台价格可能不同，请查看实时定价。
Grok 4.5 适合写代码吗？
适合。xAI 将 Coding 和 Agentic Tasks 列为核心定位，官方工程 benchmark 和早期用户反馈也显示，它更适合真实仓库、终端任务和多步骤开发，而不是只生成短代码片段。
Grok 4.5 能搜索 X 和实时网页吗？
可以，但 API 调用时需要显式启用 Web Search 或 X Search 工具。模型自身的训练知识截止到 2026 年 2 月 1 日。
Grok 4.5 和 Claude、GPT、GLM 谁更强？
没有适用于所有任务的统一答案。Grok 4.5 的优势是速度、Coding/Agent 能力和官方定价；Claude、GPT、GLM 在不同工程、设计、长任务和生态上各有优势。最可靠的方法是用同一批私有任务比较成功率、总 Token、耗时和返工次数。