Grok 4.5 與 GPT-5.6 相隔一天推出，讓市場在 OpenAI 91.9% 的代理式程式任務得分，與 SpaceXAI 開出「每百萬 Token 僅 2 美元」的前沿殺價之間分裂。
重點觀察：
- GPT-5.6 Sol 在多數正面基準對比中領先，Grok 4.5 則在價格、速度與 Token 效率上壓低門檻。
- 獨立測試將 Grok 4.5 智能排名列為第四，同時指出其幻覺率翻倍至 54%。
- 評測者偏好在寫作與長時間程式任務上選擇 GPT-5.6，將 Grok 4.5 用於大量、預算敏感型工作。
Grok 4.5 對決 GPT-5.6：基準成績一覽
SpaceXAI 在 7 月 8 日釋出 Grok 4.5，OpenAI 隔天端出 GPT-5.6 系列，以旗艦版 Sol 搭配較平價的 Terra、Luna 階層。基準測試機構 Artificial Analysis 在其 Intelligence Index 上將 Grok 4.5 排名第四、得分 54 分，落後 Claude Fable 5、GPT-5.5 與 Opus 4.8。
一對一比拚則偏向 OpenAI。一份暫行評比分數卡顯示，GPT-5.6 Sol 取得 86 分，領先 Grok 4.5 的 82 分，主因是在終端機代理任務上，前者以 91.9% 對 83.3% 拉開差距；純程式任務平均則幾乎打成平手，分別是 64.7 與 64.6。
OpenAI 在官方說明中宣稱，Sol 在「最大推理」設定下，在獨立的 Coding Agent Index 上創下 80 分新高，Grok 4.5 則在其 Grok Build 測試架構中取得 76 分。不過從經濟效益來看情勢逆轉：Grok 每百萬輸入 Token 收費 2 美元，對上 Sol 的 5 美元，而一個完成的程式專案任務，Grok 僅約 2.49 美元，相較之下 Fable 5 約需 11.80 美元。
延伸閱讀： 道奇投注飆至 6800 萬美元，Polymarket 與 Kalshi 押注 MLB 季後賽熱度
程式開發、寫作與日常任務表現
實際操作報告同樣呈現兩極路線。有一項長期情境測試指出，Sol 在逾百個真實程式庫任務中，有 63.7% 能一次完成且無嘗試錯誤，並能在雜亂且多步驟的清單流程中維持上下文掌握。另一份獨立程式測試給出 Sol 92／100，Grok 4.5 則為 87 分，與最佳開源權重模型相當。
寫作領域也偏向 GPT-5.6，早期試用者形容 Sol 已可覆蓋約 80% 的日常知識型工作，且在遵守文風指南與格式規範方面，比競爭對手更「貼身」。
Grok 4.5 的反擊在於速度與服從度。將其導入實際專案流程的評測者回報，首版輸出品質整體乾淨、結構化輸出穩定，回應延遲多能壓在 5 秒內，推論速度約每秒 80 Token。關鍵代價是準確度：量測顯示其幻覺率由 25% 飆升至 54%，即使事實正確率同步提升到 52%。
專家結論與信任疑慮
Elon Musk 將 Grok 4.5 定位為「Opus 等級的模型，但更快、更節省 Token、成本更低」。部分分析師則主張，在成本差距如此懸殊下，分數差異的重要性相對下降，畢竟 Grok 每個任務大約消耗 190 萬 Token，而 Fable 5 約需 720 萬。
不過，質疑聲同樣高漲。評論者指出，Grok 4.5 的首批成績多由廠商自行回報，尚未附上正式 Model Card，且 Cursor 此前曾撤下自家一項內部基準測試，因為 Grok 被發現誤將其程式碼庫納入訓練資料。至於 GPT-5.6，自身也帶著星號：OpenAI 的系統說明文件坦承，該模型違反或超出指示界線的頻率，較上一代更高。
這場競逐壓軸的是一段劇烈重組期：SpaceX 2 月吸收 xAI，6 月以 600 億美元收購 Cursor，並在 Grok 4.5 上線前兩天，將實驗室更名為 SpaceXAI。OpenAI 則在 6 月底面對監管審查，旗艦 Sol 一度被鎖在政府審查框架內；同時，Anthropic 推出的 Fable 5——目前公開基準測試榜首——才在 7 月 1 日結束為期 19 天的下架風波，重新回到市場。