Вчера, 8 июля, компания xAI, подразделение SpaceXAI, официально представила миру свою новую большую языковую модель под названием Grok 4.5, которая, исходя из пресс-релиза, хорошо справляется с программированием, агентскими задачами и не только. Впрочем, это не так уж удивительно, так как эту версию LLM «обучали» вместе с компанией Cursor. Telegram-канал создателя Трешбокса про технологии «Grok 4.5 была обучена на наборах данных, которые охватывают знания в области программирования, науки, техники и математики. Благодаря интеллектуальному и эффективному рассуждению, Grok 4.5 справляется с реальными инженерными задачами и превосходит сопоставимые ведущие модели в этих задачах», — цитата из официального пресс-релиза.
Здесь хотелось бы отметить, что если сравнивать Grok 4.5 с флагманскими моделями других компаний, то в большинстве бенчмарков новинка xAI всё же проигрывает. Например, в бенче DeepSWE 1.0 новинка набирает 62% точности, тогда как GPT 5.5 xhigh демонстрирует 64,31% точности, а Claude Fable 5 max показывает 66,1%. Похожая ситуация в бенчмарке DeepSWE 1.1, Terminal Bench 2.1 и SWE Bench Pro — Grok 4.5 слегка отстаёт от конкурентов, хотя они были выпущены раньше и у xAI, условно говоря, было определённое преимущество. Но не стоит списывать новинку со счетов — дело не только в том, сколько точности набирают конкуренты, но и в том, во сколько им это обходится. Изображения: xAI
Если верить информации платформы Artificial Analysis, в бенчмарке Terminal Bench 2.1 (это единственный бенчмарк, который доступен на платформе и совпадает с замерами из пресс-релиза xAI) средняя стоимость Grok 4.5 на задачу (Artificial Analysis Intelligence Index task) составляет всего 0,08 доллара, тогда как суммарно по всем тестам стоимость составляет 0,31 доллара. У модели GPT-5.5 xhigh стоимость в Terminal Bench 2.1 составляет 0,21 доллара, а суммарно — 0,86 доллара, то есть почти в три раза дороже. Если же сравнивать с Claude Opus 4.8 max и Claude Opus 4.7 max, речь идёт о шестикратной разнице в стоимости в пользу Grok 4.5. Сравнение с Claude Fable 5 max вовсе выглядит нецелесообразным. Изображение: Artificial Analysis
Более того, на платформе CursorBench вышла обновлённая таблица по прайсингу, которая весьма наглядно раскрывает основное преимущество новой модели. Здесь Claude Fable 5 max находится в топе с оценкой 70,5% точности, но на выполнение задачи модель потратила 103 тысячи токенов стоимостью 17,32 доллара. На третьем же месте расположена Grok 4.5 High — она набирает 66,7% точности, но тратит на это всего 19 тысяч токенов стоимостью 1,51 доллара. Изображение: CursorBench
То есть основная фишка Grok 4.5 в том, что она лишь немного отстаёт от своих конкурентов, либо же даже превосходит их, но при этом стоит гораздо дешевле. И в современных реалиях это очень важное преимущество.
Источник: trashbox.ru