Grok 4.5 mới đã ra mắt. Elon Musk cho biết nó cạnh tranh với Claude Opus năm ngoái

SpaceXAI của Elon Musk đã phát hành Grok 4.5 vào thứ Tư, mô hình công khai đầu tiên kể từ khi vụ sáp nhập SpaceX-xAI kết thúc vào tháng 2 và thỏa thuận mua lại Cursor trị giá 60 tỷ USD của SpaceX. Nó nhắm đến các lập trình viên, kỹ sư và những người mà công ty gọi là “công nhân tri thức” – một danh mục dường như bao gồm tất cả mọi người từ nhà phát triển phần mềm đến luật sư đang xem xét hợp đồng cho đến các nhóm tài trợ xây dựng mô hình Excel.

Quảng cáo chiêu hàng của công ty không phải là đó là mô hình tốt nhất. Đó là vì nó rẻ, ít nhất là đối với một mẫu xe phương Tây. Grok 4.5 có giá 2 USD cho mỗi triệu token đầu vào và 6 USD cho mỗi triệu đầu ra. Claude Opus 4.8, sản phẩm hàng đầu của Anthropic, có đầu vào 5 USD và đầu ra 25 USD. GPT 5.6 Sol, mô hình hàng đầu mới của OpenAI cũng ra mắt hôm thứ Tư, có giá đầu vào là 5 USD và đầu ra là 30 USD.

Musk đã đăng trên X và làm rõ vị trí thực sự của mô hình mới của mình. Anh ấy gọi nó là “gần như có thể so sánh với Opus 4.7, nhưng nhanh hơn nhiều.” Opus 4.7 là sản phẩm chủ lực trước đây của Anthropic; Tác phẩm 4.8 kể từ đó đã thành công. Truyện ngụ ngôn Claude 5 hiện là sản phẩm hàng đầu của Anthropic.

Ông coi đó là một sự đánh đổi có chủ ý: tốc độ và chi phí so với năng lực thô, với các kỹ sư tại Tesla và SpaceX là bằng chứng về tiện ích trong thế giới thực.

Điểm chuẩn thực sự cho thấy điều gì

SpaceXAI đã công bố bốn kết quả điểm chuẩn khi ra mắt và bức tranh bị xáo trộn. DeepSWE 1.1 đo lường mức độ đáng tin cậy của AI trong việc xử lý các lỗi phần mềm thực tế do nhà phát triển gửi đến, sử dụng thiết lập thử nghiệm được tiêu chuẩn hóa để các mô hình có thể được so sánh một cách công bằng, tính điểm theo phần trăm vấn đề đã được khắc phục. Grok 4.5 đạt 53%, xếp sau Claude Opus 4.8 với 59% và GPT 5.5 với 67%. Claude Fable 5, mô hình biên giới của Anthropic, đứng đầu bảng xếp hạng với 70%.

Trên SWE Bench Pro, một điểm chuẩn khác đo lường tập hợp các vấn đề kỹ thuật phần mềm được ghi điểm bằng tốc độ phân giải, Grok 4.5 đạt 64,7%, đủ để đánh bại 58,6% của GPT 5.5 trong bài kiểm tra cụ thể đó. Opus 4.8 vẫn dẫn đầu với tỷ lệ 69,2% và Fable 5 ở mức 80,4%.

Điểm chuẩn của công ty so sánh với GPT 5.5, không phải GPT 5.6, vì GPT 5.6 cũng ra mắt vào thứ Tư, vài giờ sau thông báo của Grok 4.5.

SpaceXAI đã đào tạo Grok 4.5 với sự cộng tác của Cursor AI mới mua gần đây trên hàng chục nghìn GPU Nvidia GB300 bên trong Colossus, siêu máy tính Memphis với tổng công suất trên 200.000 GPU. Các phòng thí nghiệm có mô hình nằm trên nó trên cùng các điểm chuẩn đó không sở hữu bất cứ thứ gì gần với phần cứng đó. Mô hình được đưa ra có tính cạnh tranh, nhưng không phải là mô hình đầu tiên.

Mô hình đó đã theo sau Grok trên nhiều bản phát hành. SpaceXAI đã liên tục xuất hiện với số điểm tính toán khổng lồ và đứng thứ ba. Điều thay đổi với Grok 4.5 là giá cả và tín hiệu đào tạo.

Trường hợp của nó thực sự đúng

Đối số tốt hơn không phải là hiệu suất thô; đó là phép toán hiệu quả. Trong các tác vụ SWE Bench Pro, Grok 4.5 đã sử dụng trung bình 15.954 mã thông báo đầu ra để hoàn thành mỗi công việc. Opus 4.8 đã đốt hết 67.020 mã thông báo cho cùng một tác phẩm, chênh lệch 4,2 lần.

Đối với các nhóm chạy AI với số lượng lớn, sự khác biệt đó sẽ tạo ra khoản tiết kiệm thực sự nhờ mức giá mỗi mã thông báo vốn đã thấp hơn. Ngay cả khi điểm chuẩn chất lượng của Grok 4.5 rất thấp, mã thông báo rẻ hơn và hiệu quả sử dụng cao hơn vẫn cho phép lặp lại nhiều lần hơn mà không phải chi quá nhiều.

Mô hình này cũng chạy ở tốc độ 80 token mỗi giây, đây là lãnh thổ của mô hình nhanh. Grok 4.5 đã được đào tạo về dữ liệu phiên của nhà phát triển từ Cursor, bao gồm dấu vết gỡ lỗi và chỉnh sửa mã thực thay vì kho lưu trữ tĩnh. Như Xạ Hương thừa nhận tại tòa ánhoạt động đào tạo của xAI đã bị giám sát chặt chẽ trước đây; lần này đường ống chạy qua nền tảng SpaceX đang trong quá trình mua hoàn toàn.

Đối với các nhà phát triển đang chạy các tác vụ mã hóa khối lượng lớn, phép toán sẽ có hiệu quả: khả năng của Opus 4.7 ở mức ít hơn 60% cho mỗi mã thông báo đầu vào. Đối với bất kỳ ai theo đuổi giới hạn, Claude Fable 5 dẫn đầu mọi danh mục mà SpaceXAI chọn xuất bản. Thử nghiệm nhanh của chúng tôi bằng cách sử dụng Grok build trên Hermes là không ấn tượng lắm cho việc viết sáng tạo và chấp nhận được trong một nhiệm vụ mã hóa đơn giản.

Mô hình này có sẵn thông qua API, trên bản dựng Hermes và Grok với nửa triệu mã thông báo ngữ cảnh (ít hơn 400.000 từ một chút). Người dùng châu Âu sẽ phải đợi trước khi sử dụng; SpaceXAI cho biết Grok 4.5 sẽ đến EU vào giữa tháng 7.