Grok 4.5 divide especialistas entre eficiência, benchmarks e uso real

Os benchmarks mostram vantagem, mas não domínio

O Grok 4.5 foi treinado com dezenas de milhares de GPUs NVIDIA GB300 e recebeu reforço com centenas de milhares de tarefas. A SpaceXAI concentrou esse treino em engenharia de software, raciocínio em várias etapas e tarefas técnicas avaliadas por sistemas automáticos e por outros modelos. O objetivo declarado é gastar menos tokens para chegar ao mesmo resultado. Esse ganho reduz custo.

Nos testes de engenharia, o resultado muda conforme a métrica. No SWE Marathon, o Grok 4.5 liderou com taxa de resolução de 29,0%, contra 26,0% do Opus 4.8 e 24,0% do Fable. No Terminal Bench 2.1, marcou 83,3%, praticamente empatado com o GPT 5.5, que obteve 83,4%, mas atrás do Fable, com 84,3%.

A vantagem desaparece em outras avaliações. No DeepSWE 1.0, o Grok 4.5 alcançou 62,0%, contra 66,1% do Fable e 64,31% do GPT 5.5. No DeepSWE 1.1, ficou em 53%, atrás do Fable, do GPT 5.5 e do Opus 4.8. No SWE Bench Pro, marcou 64,7%, enquanto o Fable chegou a 80,4%.

A própria página informa que os números dos concorrentes vêm de system cards publicados pelos desenvolvedores ou de rankings de benchmark. Isso deixa uma questão metodológica. Os testes usam harnesses diferentes: o DeepSWE 1.0 roda com os harnesses de cada provedor, enquanto o DeepSWE 1.1 usa o mini-swe-agent harness. Comparar os percentuais exige atenção ao protocolo.

Velocidade e custo sustentam a tese, não encerram a disputa

A SpaceXAI afirma que o Grok 4.5 entrega o dobro da eficiência de tokens dos principais modelos atuais nas mesmas tarefas e roda a 80 TPS. Tiberium resumiu a leitura favorável assim: “Parece ser extremamente econômico — eficiência de raciocínio 4x melhor que a do Opus, com preço de $2/$6.” O comentário também compara o modelo com GPT 5.4, GPT 5.5/5.6, Opus 4.8 e Fable.

Esse argumento depende do que a equipe mede. Menos tokens podem reduzir custo e acelerar respostas, mas não garantem código correto em tarefas longas. O Grok 4.5 também tenta criar aplicações completas com um único prompt, incluindo uma simulação do universo feita com Three.js. A demonstração mostra alcance de geração, não substitui avaliação de manutenção, segurança ou integração.

O relato de mholt reforça a utilidade prática. “Dos três modelos que testei, o Grok foi o melhor para criar um aplicativo iOS que eu queria para uso pessoal”, escreveu. Ele disse que o modelo produziu uma implementação nativa em SwiftUI e Metal, embora “definitivamente tropece às vezes”. A experiência mostra valor para protótipos específicos, mas não mede desempenho em produção.

A origem do modelo também pesa na leitura do anúncio. A página diz que a SpaceXAI treinou o Grok 4.5 junto com a Cursor, e aarvin_roshin destacou que “Grok 4.5 e Composer 2.5 são duas classes diferentes de pesos de modelo”. Segundo o comentário, a Cursor manterá o Composer 2.5 e lançará novos modelos desse porte. O debate, portanto, envolve produto e infraestrutura.

O thread do Hacker News tinha 776 pontos e 1502 comentários; seis comentários foram coletados para a análise. Thrownawaysz questionou a sequência dos lançamentos: “As empresas de IA anunciam novos produtos tão perto umas das outras, literalmente com horas de diferença, como se tentassem superar umas às outras.” O comentário aponta competição comercial, não uma falha técnica comprovada.

Os lados concordam em um ponto: nenhum número isolado resolve a escolha. O Grok 4.5 lidera no SWE Marathon, empata no Terminal Bench 2.1 e perde no SWE Bench Pro e no DeepSWE. Quem decide precisa testar suas próprias tarefas, medir tokens, latência e taxa de correção, e separar protótipo de software que seguirá em produção. A eficiência alegada pode baixar o custo relativo, mas os dados públicos ainda não mostram um vencedor universal.