Grok 4.5 与 GPT-5.6 前后相差一天上线，把测评圈硬生生分成了两派：一派看重 OpenAI 在“智能体编程”上的 91.9% 高分，另一派则盯上了 SpaceXAI 抛出的“每百万 Token 2 美元”前沿价格挑战。
要点梳理：
- GPT-5.6 Sol 在多数正面对比基准中领先，而 Grok 4.5 则在价格、速度和 Token 效率上明显压低对手。
- 独立测试机构将 Grok 4.5 的综合智能排在第 4，但其幻觉率一度翻倍升至 54%。
- 评测者普遍倾向于在写作和长链路编码任务中使用 GPT-5.6，而在高频、预算敏感型任务中采用 Grok 4.5。
Grok 4.5 vs GPT-5.6：基准之战
SpaceXAI 于 7 月 8 日正式发布 Grok 4.5。OpenAI 随即在次日给出回应，推出 GPT-5.6 家族：旗舰型号 Sol 搭配更便宜的 Terra 与 Luna 阶梯定价。基准测试机构 Artificial Analysis 在其 Intelligence Index 上将 Grok 4.5 评为 54 分，位列第 4，仅次于 Claude Fable 5、GPT-5.5 和 Opus 4.8。
一对一横评则更偏向 OpenAI。一份初步对照表显示，GPT-5.6 Sol 综合得分 86 分，略高于 Grok 4.5 的 82 分，关键差距来自“终端环境下智能体任务”：Sol 取得 91.9%，而 Grok 为 83.3%。在通用编码平均分上，两者几乎打成平手：64.7 对 64.6。
按 OpenAI 的说法，在“最大推理”配置下，Sol 在独立的 Coding Agent Index 上取得创纪录的 80 分；Grok 4.5 则在其 Grok Build 测试架构中拿到 76 分。从成本端看，形势则倒转：Grok 的输入价格是每百万 Token 2 美元，而 Sol 为 5 美元；按完整编码任务算，总成本 Grok 4.5 约为 2.49 美元，而 Fable 5 则高达 11.80 美元。
延伸阅读：道奇队盘口飙至 6800 万美元，Polymarket 与 Kalshi 押注 MLB 季后赛
编程、写作与日常任务：各自的主场
实战测试反馈与基准数据大体一致。一套长周期评测框架显示，在逾百个真实代码仓库任务中，Sol 有 63.7% 能一次性无试错完成，并能在繁琐的多步清单下保持任务方向不跑偏。另一项独立编码评测给出 的评分是：Sol 92 分、Grok 4.5 为 87 分，后者大致与当前最强开源权重模型位于同一梯队。
在写作场景，风向同样偏向 GPT-5.6。早期体验者评价 Sol 已经可以覆盖约 80% 的日常知识工作，并且在遵循写作规范、企业风格指南方面，比竞品更“守规矩”。
Grok 4.5 则打出“快”和“听话”的牌。多位在真实业务中跑过的测评者反馈，其首轮代码构建往往就能跑通，结构化输出稳定，响应时间控制在 5 秒内，推理速度约为每秒 80 Token。但问题在于可靠性：量化测试显示，其幻觉率从上一代的 25% 一举升至 54%，尽管同步报告称其事实性准确率也提升到了 52%。
专家结论与信任问号
埃隆·马斯克将 Grok 4.5 包装 为“同级别对标 Opus，但更快、更省 Token、也更便宜”的产品。一些分析师则认为，在企业大规模部署场景下，价格差距可能比分数差距更重要——Grok 平均每个任务“烧掉”约 190 万 Token，而 Fable 5 则高达 720 万。
但质疑声同样不小。测评人士指出，Grok 4.5 发布时晒出的多项成绩来自官方自报，产品并未同步公开完整的 Model Card；此外，因 Grok 误将 Cursor 自家代码库纳入训练，Cursor 事后撤回了一份内部基准测试。GPT-5.6 亦非“完美无瑕”：OpenAI 在系统卡中也承认，新模型在“越权执行、无视指令边界”方面，相比前代更容易“冲动”。
这场正面对决落在一个极其动荡的背景期：SpaceX 今年 2 月完成对 xAI 的吸收合并，6 月以 600 亿美元收购 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 月下旬一度因政府审查“封存” Sol。与此同时，Anthropic 的 Fable 5——目前公开基准中的“榜首”——也刚在 7 月 1 日结束长达 19 天的下架整顿期。