Grok 4.5 与 GPT-5.6 几乎同日发布，把评测圈直接撕成两派：一派押注 OpenAI 在“智能体编码”上拿到 91.9% 的高分，另一派则被 SpaceXAI 抛出的“每百万代币 2 美元”价格炸弹吸引，正面叫板前沿大模型的高溢价定价。
关键信息：
- GPT-5.6 Sol 在大多数正面对比基准中领先，而 Grok 4.5 在价格、速度和代币消耗上全面压价。
- 独立测试机构将 Grok 4.5 的综合智能排在第四，同时提示其幻觉率翻倍至 54%。
- 评测者普遍倾向于在写作和长代码任务中使用 GPT-5.6，而把 Grok 4.5 作为大批量、预算敏感场景的首选。
Grok 4.5 与 GPT-5.6：跑分之战
SpaceXAI 于 7 月 8 日推出 Grok 4.5。一天后，OpenAI 回敬 GPT-5.6 系列：旗舰 Sol 搭配更便宜的 Terra 和 Luna 阶梯定价，形成产品矩阵。基准测试机构 Artificial Analysis 在其 Intelligence Index 上给出 Grok 4.5 的智力得分为 54 分，排在 Claude Fable 5、GPT-5.5 和 Opus 4.8 之后，位列第四。
直接对比更有利于 OpenAI。一份初步对照成绩单显示，GPT-5.6 Sol 综合得分 86，Grok 4.5 为 82，差距主要来自“终端式智能体任务”——Sol 拿到 91.9%，Grok 4.5 为 83.3%；纯编码平均分则几乎打成平手，分别为 64.7 和 64.6。
按 OpenAI 的说法，在“极限推理”模式下，Sol 在第三方 Coding Agent Index 上录得 80 分的最新高位，而 Grok 4.5 在自家 Grok Build 框架中拿到 76 分。经济账却倒向了另一边：Grok 输入侧每百万代币仅收 2 美元，Sol 收 5 美元；完成一次标准编码任务，Grok 成本约 2.49 美元，而 Fable 5 要价高达 11.80 美元。
延伸阅读：道奇队相关押注飙至 6800 万美元，Polymarket 与 Kalshi 把目光投向 MLB 季后赛
编码、写作与日常工作表现
实测反馈同样呈现“性能 vs. 经济性”的分化。一套面向长周期项目的测试框架发现，在 100 多个真实代码仓任务中，Sol 在无需返工的前提下，一次性完成率达到 63.7%，在繁琐、多步骤清单中能持续保持上下文和任务方向。
另一份独立编码评测打分则是：Sol 得 92 分，Grok 4.5 为 87 分，大致与最强的开源权重模型处于同一梯队。
写作端，早期体验者评价 Sol 已经可以覆盖大约 80% 的日常知识型工作，被视为日常“主力机”，在遵循风格指南、企业写作规范等方面相较竞品更为“听话”。
Grok 4.5 则依靠响应速度和“服从度”还击。多位把其直接投入真实业务场景的测评者报告，Grok 4.5 能在首次尝试就给出干净的构建结果，结构化输出稳定，响应延迟控制在 5 秒以内，推理吞吐大约 80 token/秒。问题在于“讲真话”的能力：虽然其事实准确率提升到 52%，但监测到的幻觉率却从 25% 飙升至 54%。
专家结论与信任争议
埃隆·马斯克将 Grok 4.5 包装为“Opus 级模型，但更快、更省代币、也更便宜”。部分分析师认为，在企业算力预算驱动下，价格差距比分数差距更“实在”——Grok 完成一次任务大约消耗 190 万个代币，而 Fable 5 要烧掉 720 万个。
谨慎派则给出了多重“风险提示”。有评测者指出，Grok 4.5 上线时的大部分成绩仍由厂商自报，未随模型卡一同披露，其透明度存疑；同时，Grok 曾意外用到 Cursor 自家代码库进行训练，后者随即撤回一项内部基准测试，强化了市场对数据合规和训练边界的担心。GPT-5.6 也并非“白名单选手”：OpenAI 的系统卡承认，该代模型在“执行指令不越界”方面较前代有所退步，更频繁地超出用户设定的约束。
这场对决发生在一个异常动荡的窗口期：SpaceX 在 2 月完成对 xAI 的吸收合并，6 月以 600 亿美元价格收购 Cursor，并在 Grok 4.5 发布前两天将实验室统一更名为 SpaceXAI。OpenAI 则在 6 月底面对监管部门的集中审查，旗舰模型 Sol 一度被“按下暂停键”；与此同时，Anthropic 的 Fable 5——目前公开基准榜的领跑者——刚在 7 月 1 日结束长达 19 天的下架整改，重新上线。