Grok 4.5

原文 ↗ Hacker News 讨论 ↗

流行度与采用情况

  • 几位评论者表示，Grok 的使用量远低于 GPT/Claude/Gemini，并以 OpenRouter 的 token 吞吐量比它们低一个数量级为证。
  • 其声誉因与所有者的关联、此前的“MechaHitler”/CSAM 争议，以及被认为带有意识形态议程而受损；有些人原则上拒绝使用它。
  • 也有人不在乎政治，只按价格/性能来评估，或者指出许多人照样愉快地使用中国模型，尽管它们也有各自的问题。

编程表现与基准

  • 普遍认为，早期 Grok 版本在 SWE 方面落后；4.5 是第一个被视为具有竞争力的版本。
  • 在编码基准（DeepSWE、TerminalBench、SWE-Bench Pro）上，它看起来大致处于“Opus 4.7 级别”/与 GLM‑5.2 相当，不过一些人仍觉得 GPT‑5.5/Opus 4.8 更可靠。
  • 许多人称赞它的速度和 token 效率（每秒 token 很高，推理 token 比同类更少）。有些人说它能搞定复杂重构、调试、测试套件大改，以及 Kubernetes 修复。
  • 也有人报告它在简单重构上“几乎不可用”，这说明可能存在 harness 问题、领域依赖，或者只是表现不稳定。
  • 据称，与 Grok 4 相比，它的工具调用和 agentic 行为有了显著改进，但这一点仍有争议。

定价与 token 经济

  • API 定价：在 200k 上下文以内，输入/输出 token 分别为每 100 万 $2/$6；超过 200k 则翻倍；缓存命中价格为输入价的 25%（高于许多美国和中国竞争对手）。
  • 有些人认为，把效率算进去后，它是“Opus 级性能、Haiku 级价格”；另一些人则说与 DeepSeek/GLM 相比它仍然昂贵。
  • 订阅方面也有抱怨：$40 方案每月只能获得约 8 小时的 Grok Build；SuperGrok 和 Cursor 套餐提供更多，但与 Codex/Claude Code 相比是否值当仍有争议。

训练数据、基准与隐私

  • 训练使用了“数万亿 token”的 Cursor IDE 交互数据，以及大规模 RL 环境。很多人认为这才是其编程质量的真正护城河。
  • 令人担忧的是：Cursor 默认会用用户工作内容进行训练，即使是付费用户也不例外，这引发了 IP 泄露方面的担心。
  • 线程里讨论了合成数据带来的“模型崩塌”担忧；帖子中的共识是，经过筛选、混合真实/合成的数据是没问题的。
  • CursorBench 的一部分被训练数据污染了；他们把它从公开基准图表中排除了，但一些人仍认为这有基准“注水”的风险。

政治、偏见与信任

  • 一条很长的子线程在讨论偏见：多项外部分析（在帖子中被引用）被解读为显示，主流实验室整体偏左，而 Grok 略偏右但最接近中间；另一些人则质疑这些研究。
  • 许多人对一个模型能如此直接地按某位亿万富翁的政治立场来调校感到不安，并担心在非政治领域里也会出现悄无声息的后端“引导”，把它变成供应链风险。
  • 反方观点是：所有前沿实验室都会通过 RLHF/RLAIF 影响输出；没有谁是真正政治中立的，所以 Grok 只是更直白一些，对某些人来说也更“平衡”。
  • 早期与未成年人相关的图像行为，以及“MechaHitler”人格，仍被批评者反复拿来作为红线；支持者则表示这些问题已经修补，讨论应聚焦于它与其他实验室在审查差异上的不同。

访问、地区限制与发布时间

  • Grok 4.5 初期在欧盟不可用（VPN 可用）；xAI 说欧盟支持很快会来。地区锁定被认为不寻常，但并非前所未有。
  • 评论者注意到大型模型发布常常会扎堆（Grok 与 GPT 发布相互呼应），并猜测这与竞争时机、公司情报和公关策略有关。

市场策略与竞争

  • 有些人认为 Grok 夹在中间：既不是同类最强，也不是最便宜；很难让人放弃 Anthropic/OpenAI/DeepSeek/GLM。
  • 另一些人认为，xAI 的超大集群、富余算力，以及与 Cursor/X/Tesla 的整合，给了它通过低价切入并建立细分市场的空间，即使市场份额很低也一样。
  • 普遍认为，Anthropic 在严肃编程/研究方面仍领先，OpenAI 和 Google 在其他领域也很强；Grok 4.5 被视为把 xAI 从“非竞争者”推进到了“第二梯队但仍有相关性”。