Grok 4.5
Grok 4.5 是 SpaceXAI 与 Cursor 联合训练、于 2026 年 7 月 8 日发布的混合专家模型（Mixture of Experts, MoE），面向编程、AI Agent（智能体）任务与知识工作。底层训练使用数万张 NVIDIA GB300 GPU；数据处理包含去重、质量评分和按领域筛选，强化学习则覆盖数十万项任务，重点是多步软件工程及其他技术工作。
Cursor 称训练数据包含数万亿 token 的 Cursor 数据，覆盖用户与代码库、软件工具的交互，以及开发者如何工作、Agent 如何与环境交互。与定位为编程专用模型的 Composer 2.5 相比，Grok 4.5 的数据混合刻意扩大到高质量 STEM 任务、研究论文和其他知识工作。公开材料仍未披露 MoE 的总参数/激活参数、上下文窗口、各类数据占比或具体 RL 算法。
用 Agent 构建强化学习环境
这套训练系统支持高度异步的长程 rollout：单个 Agent 轨迹可持续数小时，同时训练仍在数万张 GPU 上推进。任务通过自动评分与模型评分提供反馈，现实环境则训练模型调查问题、使用工具、从错误中恢复并验证结果。
Cursor 还使用分布式 Agent 系统批量构建这些训练环境：工程师定义问题和验证方法，大群 Agent 负责构造、测试和反复改进环境。部分环境若完全由人工制作，官方估计需要数百名工程师投入数月。其本质是用上一代模型扩展下一代模型的训练课程与 Evals（评估），但工程师仍掌握题目与可验证成功条件。
flowchart LR
E["工程师定义问题与验证条件"] --> A["Agent 群构造环境"]
A --> T["测试与改进环境"]
T --> D["高难度真实任务集"]
D --> R["Grok 4.5 强化学习 rollout"]
R --> V["自动 / 模型评分"]
V -. "失败样本与能力提升" .-> E
软件工程评估
官方发布页汇总了五组软件工程 benchmark。分数不仅取决于模型，还受题目质量、推理预算、工具、harness 与运行环境影响；其中竞品数字来自各厂商 system card 或排行榜，并非全部由 SpaceXAI 在统一环境重跑。DeepSWE 1.0 明确使用各模型供应商自己的 harness，尤其不适合被解释为纯模型能力排名。
| Benchmark | Grok 4.5 | 同图最高分 | 评估口径 |
|---|---|---|---|
| DeepSWE 1.0 | 62.0% | Fable max：66.1% | Datacurve 创建，AA 使用各供应商 harness 运行；pass@1 |
| DeepSWE 1.1 | 53% | Fable max：70% | Datacurve 使用 mini-swe-agent harness |
| SWE Marathon | 29.0% | Grok 4.5：29.0% | resolution rate，pass@1 |
| Terminal Bench 2.1 | 83.3% | Fable max：84.3% | 终端任务 |
| SWE-Bench Multilingual | 78.0% | Opus 4.8：84.4% | Cursor 图表；GPT-5.5 为 Cursor 内部运行 |
| SWE Bench Pro | 64.7% | Fable max：80.4% | resolve rate |
这些数据更适合回答“这个模型与特定执行栈的组合在某套测试上表现如何”，而不是“哪个基础模型绝对更聪明”。Grok 4.5 在 SWE Marathon 居图中首位，却在表中另外五项不是最高分，也说明单一总榜会掩盖任务分布与 harness 差异。
Cursor 还披露了一个污染案例：Grok 4.5 的训练数据意外包含 Cursor 代码库的较早快照，因此在 CursorBench 上具有不公平优势，影响幅度无法确定。Cursor 没有展示该项成绩，并称已从后续模型的数据中移除这份快照，同时准备更新 CursorBench。这是“发现污染后停止报告”，而非试图用一个未经量化的修正系数挽救分数。
推理吞吐与 token 效率
SpaceXAI 公布的服务速度为每秒 80 token（TPS）。在 SWE Bench Pro 上，Grok 4.5 每项任务平均输出 15,954 token；发布页对照的 Opus 4.8 max 为 67,020 token，约是前者的 4.2 倍。官方同时概括称，模型在同类任务上相较近期领先模型大约有两倍 token 效率、用不到一半的步骤完成任务；但页面只为 4.2 倍这一组对比给出可见的原始数值。
这里的“更少 token”不能单独作为质量指标。只有在成功率、任务集合、harness、推理配置与停止条件相近时，它才可近似反映更低延迟和成本。更完整的 Agent 效率评估至少应同时报告成功率、输出 token、墙钟时间、工具调用次数和总费用。
产品与 API
发布时，Grok 4.5 已用于 Grok Build，并可通过 Cursor 和 SpaceXAI API 使用；API 模型标识为 grok-4.5。官方模型文档列出的接口与能力如下：
| 项目 | 官方文档所列能力 |
|---|---|
| API | Responses API、Chat Completions |
| 推理档位 | low、medium、high，默认 high |
| 工具 | Function Calling（函数调用）、Web Search、X Search、代码执行 |
| 输入价格 | 每百万 token 2 美元 |
| 输出价格 | 每百万 token 6 美元 |
文档没有在静态页面给出固定的完整上下文窗口和团队限流值，而是让调用方到模型详情页查看；这类额度也可能随账户与时间变化，不宜把单次控制台数值当成模型的永久规格。
对长 Agent 循环，SpaceXAI 建议在 Responses API 设置 prompt_cache_key，或在 Chat Completions 请求中使用 x-grok-conv-id。两者都会把同一对话的请求尽量路由到相同服务器，提高 Prompt Caching（提示缓存）命中可靠性；否则请求可能落到没有缓存前缀的服务器，按完整输入计费。工具调用密集、历史持续增长时，官方还建议配合上下文压缩。这说明长循环的成本控制同时依赖稳定前缀、会话路由和压缩策略，不能只看模型单价。
Cursor 另提供 fast 变体，输入、输出价格分别为每百万 token 4 美元和 18 美元。Grok 4.5 在 Cursor 的桌面端、Web、iOS、CLI 和 SDK 中均可使用；SpaceXAI 文档还列出 Grok Build、Word/PowerPoint/Excel 插件，以及 OpenRouter、Vercel、Cloudflare、Snowflake、Databricks Mosaic 等模型网关。发布页称它能在 Grok Build 中制作带网页研究、多工作表公式和备注的 Excel 模型，并使用 PowerPoint 原生形状制作图表；这些是厂商展示的产品能力，没有同时给出可复现的评估集。
相关概念
- AI Agent（智能体） — Grok 4.5 的重点任务形态之一
- Evals（评估） — 理解软件工程 benchmark 与效率指标的边界
- Harness Engineering（驾驭工程） — 不同 harness 会显著影响 coding benchmark 结果
- Long-running Agent Harness（长程智能体驾驭系统） — 数小时 rollout 所需的执行与状态基础设施
- Prompt Caching（提示缓存） — API 长对话依赖会话路由提高缓存命中率
- Function Calling（函数调用） — Grok 4.5 支持的结构化工具调用能力