7月8日, 马斯克以高调姿态发布Grok 4.5, 宣称它的性能已然接近Claude Opus 4.8, 并且速度更为快捷、价格更为低廉。当大模型公司的竞争从参数、跑分一直延伸到价格和智能体这样的范畴, 我们也精心设计了5道题, 这些题目涵盖前端开发、网页游戏、PPT制作、长文档解读以及逻辑推理等领域, 以此去考查两个模型在真实电脑环境下究竟能不能发挥作用。
负责进行落地执行这项工作的, 并非同一体, 而是它们各自所拥有的智能体情况, 具体来说是Claude Code这个智能体以及Grok Build这个智能体。另外, 我们所提出的要求是比较简单的, 其一是各自在桌面上开展创建文件夹的操作, 其二是把各自对应的测评结果放置并保存进入到所创建的文件夹之中。
关于这场测评得出的结果, 我们做出决定, 要从一处“特定场景”开始讲述, 该场景是案件发生的地方, 事情的具体情形如下:
Claude Code先是接到了指令开始行动, 这个行动是其着手在桌面创建名为“能力测试”的文件夹, 并且按照一定顺序依次完成了三个子目录。之后Grok Build也接到指令从而进入现场, 然而它并没有重新创制全新类型或是方式, 而是在看到已经存在相同名称的文件夹的情况下, 不仅将该文件夹归为自己使用, 甚至还顺便将此前Claude Code已经完成构建的三份目录完全清除掉了。
到了五道题目都做完之时, Claude Code回过头去看, 发觉自身的“家被拆掉了”, 立刻发起“控诉”。
图源 / Claude Code截图
“控诉”结束之后, 它重新构建了那些被删除掉的文件, 并且留下了这样一句话, “我不会擅自删掉别人的东西。”。
这件事情发生之后, Grok给出了具有文字内容的郑重致歉, 承认在所做之事上面存在着三种失误情况, 分别是没有去确认目录到底归属于谁, 错误地把别人已经最终完成的成品当作尚未完成的半成品, 运用了不能够使其恢复到之前状态的删除方法。Claude表示若是Grok能够实现它所提出的三条自我约束要求才可以接受这次道歉, 这三条自我约束就是不去触碰属于他人的目录, 在默认为新建的情况下要设置旁路, 当发现有相同名称的时候要先询问清楚到底归属于谁。
这一段插曲, 可不可以仅仅看作是进行测评时的那些琐碎花絮。针对于一个具备能够读写真实存在的文件系统之力的自主性质的智能体来讲, “在动手去做之前要充分弄明白这究竟是什么东西、是归属于谁的”, 其本身就是属于最为硬核的能力当中的至少一项。
回归到主要的话题上来。将具有这一“误删意外事件”排除在外, Grok 4.5所做出成绩着实令看到的人眼前为之一亮, 在像是游戏场景等等这样的方向上面, 该成绩甚至揭示出清晰的优势。接下来, 我们会从五个不同的方面去把这一场较量当中智力考量同时情商比拼成分都具有的比试剖析开来。
01.摸鱼计时器：Grok赢了颜值，Claude赢了细节
这么一道题目, 同时对三个维度展开考察, 这三个维度分别是前端工程, 也就是看能不能写出可运行的页面, 还有产品交互, 具体涉及按钮、反馈以及视觉是否顺手, 另外还有时间逻辑, 包含倒计时、时区以及触发时机。
被隐蔽起来的难点, 就隐匿于“能用”这两个字的背后。倒计时这一环节, 必须要与本地时区保持同步呢, 一秒钟的误差都不可以有；状态机需要在“上班中 - 即将下班 - 已下班”这几种状态之间, 实现顺畅平滑的切换；撒花动画一方面要营造出喜庆热闹的氛围, 另一方面又绝不能致使浏览器卡顿得好似播放PPT那般；最为关键重要的一点是, 最终所呈现的成品, 务必要让那些打工人真心实意地愿意去打开它, 而绝非仅仅是一个只用于演示的半成品而已。
Claude生成的摸鱼计时器
Grok生产的摸鱼计时器
面对这一道题目, 双方的表现呈现出势均力敌的态势。Grok从视觉精致程度之上, 稍微占据了些许优势。Claude在音效反馈、迅速快捷预设以及充满趣味的文案这些关键点上, 成功赢回同等优势。
02.安排摸鱼游戏的设计, Grok取得胜利, Claude的“打工人”难以操控。
关于这道问题里的核心考查方面, 存在着三个词汇, 分别是实时交互, 状态机, 游戏手感, 而要去制作出这样一个系统, 它得持续对玩家输入做出回应, 要实时去更新画面, 并且能够动态地进行难度调整, 这是个“活”系统。
进行这个游戏时, 每一帧都需要精准甄别, 看“咖啡”有没有被接住, 和“老板”有没有撞上玩家。并且其掉落速度会依据时间呈平滑的递加状态, 千万不能太慢, 致使玩家感觉无趣, 也绝对不能太快, 令玩家直接放弃, 这所检验的是模型对于“游戏心流”的把握。
Claude生成的摸鱼小游戏
Grok生成的摸鱼小游戏
胜的是这题中的Grok , Claude交付版本乍一看像那么回事, 但底下“打工人”鼠标不能拖动, 游戏体验感差。Grok代码量约为Claude三倍, 其游戏功能颇为丰富, 现有明细关卡及分级难度。
03 .做新能源车PPT：产业链图都过关了开云正版app下载开云app在线入口，打成平手
能概括这道题核心考查维度的是三个词, 分别是结构化表达, 版式审美, 数据纪律。模型被放置于纯办公场景之中, 要将复杂信息梳理成有一种清晰度的叙事的逻辑, 又要用专业的视觉语言把它呈现出来。
具体而言, 构建产业链关系图, 所检验的乃是模型针对PPT图形引擎的操作本领, 涵盖连线、布局、层次以及配色的协调性。配色、字体、间距、对齐, 这些细微之处同样得经受住放大后的审视, 不可存有廉价之感。更为关键的是, 要求它们在面对不掌握的真实数据时, 务必坦诚标注“需核实”, 切不可有幻觉。
Claude生成的PPT
Grok生产的PPT
在实际结果这边来看, 两份答卷都达成了“原生图形画产业链、不用图片”的硬性要求, 并且都附带了完整的演讲备注, 专业度大致处于持平状态。而且在数据使用方面, 也标明了需要去核实的部分。
首版PPT同次版PPT于框架完整性这一方面以及交付质量这一方面, 实在难以分辨出谁高谁低, 此一题目之下, 双方再次达成了平手的状况。
04.阅读SpaceX招股书：看完几百页开运真人app下载苹果版,开运真人app下载，谁都没编数字
这是一道极具挑战性, 对准确度有着极高要求的题目。其难点广泛分布于各个细微之处, 包括对超长招股书进行结构化的剖析, 使正文与财务报表附注在口径方面达成一致, 辨别“分部收入”与“品牌收入”这一财务常识要点, 严格遵守绝不编造数字的职业纪律, 还要满足出处即表格编号、页码、附注标号必须精确无误且能够进行溯源核验的要求。标点符号。
Claude列举的与马斯克的相关风险点
Grok列举的与马斯克相关风险点
核心事实方面, 两份答卷是毫无差别的且全都是正确无误的。Grok相对在页码级引用以及若干具体数字之处更为细致入微, Claude与之相比则是在解释框架以及口径辨析方面有着更深入的阐述, 然而两份答卷均不存在明显失误、均没有编造数字。这是最能够展现双方“基本功”的一道题目, 同时也是最值得彼此致以尊重的一道题目。
05.“谁是骗子”逻辑题：经典陷阱谁都没难住
此道题目所考查的是属于那种最为纯粹的形式逻辑以及具备严谨特点的推理能力, 其难点并非是在题目自身究竟有多么复杂这一方面, 而是在于它所设置的那几处“陷阱”。
把自指矛盾来看待, 要是A属于骗子范畴, 那么他所讲的“我们俩至少有一个是骗子”这话自身就变成是真话了, 如此一来骗子讲出了真话, 这就直接违背了设定。
B呈现出的那种沉默状态, B在整个过程当中都没有进行发言, 然而其中“沉默”这一情况本身就是属于一种信息, 它是不能够被当作判断的依据的, 可是却极其容易诱导出错误的判断。
依靠穷举检验, 要进行系统性的遍历, 存在四种组合, 分别为真与真这一组合, 真与假这一组合, 假与真这一组合, 假与假这一组合, 必须逐个去进行排除, 如此才能够得出唯一的解。
Claude的推理过程
针对当今的大语言模型而言, 这道经典逻辑题早就无法构成挑战了。两家答案全都相同且正确, 那就是A是讲真话的人, B是说假话的人。在推理的进程当中, 都给出了完整的四种组合排除表, 逻辑的链条毫无多余也不存在越界情况, 简洁清晰。
我们再进一步去追问, “是不是会有两人都是骗子这种可能性存在”, 双方同样坚持着正确的那个答案。
Grok的推理过程
五道题测下来，两个模型的“性格画像”也渐渐清晰起来。
Claude Code更像那种“行事稳健的工程师”, 逻辑题推理时干净又利落, 招股书分析严谨且扎实, 即便是面对被误删的文件, 也能够冷静地去重建, 在标注不确定数据的时候毫不含糊, 既不枉编, 也不冒进, 边界意识和安全素养自始至终贯穿其中, 要是说存在短板的话, 那便是其于网页以及PPT的视觉呈现方面较为保守, 玩法丰富程度和界面冲击力比不上对手。
Grok具备更强的表现力, 小游戏交互呈现出更为丰富的状态, PPT内容密度展现出更高的系数, 交付产品自身携带着包装感, 开启后能让人即刻感觉到“存有内容元素”吗。它在制造第一眼吸引力方面表现出色, 然而所犯的“误删”失误极为致命, 直接凸显出其在操作边界以及风险控制方面存在严重不足。它富有冲劲氛围, 但时有冲过界限之状况。
我们促使Claude与Grok相互评价, 双方都予以认可, 在这一局里, 从整体来看, Claude取得了胜利。
Claude表示自己“道德感”很强
06.马斯克重回牌桌了吗？
在过去的那一段时期当中, Grok并不缺少光环, 它有着马斯克所带来的流量, 有着X的入口, 有着“敢说”这样的产品人设。然而在真正的生产场景之上, 相比之下软件开发者们更习惯于把Claude、OpenAI、Gemini放置于第一梯队, 而是将Grok看成是一个有趣、显得锋利然而并不够稳定的替代品。
Grok 4.5改变了这一局面。
五道题当然没有足够的力量来决定一家模型公司的排名顺序, 但它跟外部榜单一起往同一个结论指明: 在面对Grok时, 或许它还没有能够将Claude战胜, 但虽然如此, Grok却已经不再是那个完全可以用心思滤掉、不必去重视的追赶者了。
在由第三方评测机构Artificial Analysis给出的综合智能指数里面, Grok 4.5得到了54分, 在其中排名第四, 它仅仅次于Fable 5、GPT-5.5以及Claude Opus 4.8；和上一代Grok相比, 也就是Grok 4.3, 它一次性产生了16分的提升。于Coding Agent Index 里, Grok 4.5凭借Grok Build获取76分, 此分数跟运行于Codex的GPT-5.5大致等同, 仅仅比Claude Code中的Fable 5落后。
这表明, Grok首次并非仅仅是在某些榜单方面呈现出较好态势, 而是于编码场景中, 在终端操作场景中, 以及在知识工作等智能体切实需开展工作的场景里, 稳稳当当地跻身到了第一梯队之中。
对竞争对手而言, 比排名更能引起其警惕的情况出现了, 那就是它将这样的能力, 以一个更低的价格售卖出去了。
Grok 4.5的API定价, 是每百万输入tokens收取二美元, 每百万输出tokens收取六美元。与之形成对比的是, Claude Opus 4.8的定价, 每百万输入tokens是五美元, 输出tokens则是二十五美元。Artificial Analysis所做的实际测试表明, Grok 4.5去完成一项编码智能体任务, 其平均成本大概是二点四九美元, GPT - 5.5约为五点零七美元, Fable 5约为十一点八美元。
一位开发者直接表明, 顶级工程方面具备的能力, 其边际成本, 在今天被完全击穿了。
需同样不可忽视速度, SpaceXAI宣称, Grok 4.5有着每秒约80个tokens的生成速度, SWE-Bench Pro任务中, 它运用约1.6万个输出tokens, Opus 4.8 Max于该任务里使用约6.7万个, 独立测试测到其输出速度每秒约88个tokens, 比同类推理模型的平常水准要高, 在咱们实际测试进程中, Grok 4.5的生成速度快过Claude Opus 4.8也明显。
对于那种, 需要模型反复去读取文件的, 智能体而言, 还需要调用工具, 以及修改代码, 并且进行自我验证, 更少的步骤, 还有更短的输出, 这意味着节省的, 不单纯是API账单, 还有等待时间。
马斯克还提出, 要在2026年多余的时间当中, 按照接近每个月一款全新基础模型的节奏, 去促进推进迭代。依赖大规模的算力, Cursor积攒的真实开发数据, 以及SpaceX体系里面的工程资源, Grok的追赶速率确实有可能比以往更快。
在我们此次实测期间, 尽管Grok Build于边界控制方面出现了极为严重的事故, 然而在游戏创意那一块儿, 它并非陪跑者, 在视觉包装这一方面, 它也不是陪跑者, 于长文档检索这儿, 同样不是陪跑者, 甚至在个别任务之上, 显著地压过了Claude Code。Grok的实际问题在于, 当能力达到这个量级以后, 还可不可以被稳定地约束住呢。
这恰恰为马斯克式产品所具典型气质, 速度快到极致, 冲击力颇强, 然而与此同时, 他会一并将风险、边界以及工程纪律给推至聚光灯之下。
所以开云app官方最新下载地址，马斯克重回大模型牌桌了吗？
答案是肯定的。但他还没有赢下这一局。
首先, Claude依旧是那种更加稳健、更加克制的状态, 而且愈发像是一位能够放心托付生产环境的工程方面的共事者。其次, Grok 4.5就好比是一台刚刚被释放出来的具备高性能的机器, 其马力十分惊人, 成本也颇具诱人之处, 然而刹车系统却是有待被没完没了地反复去验证核查的。
*题图由AI生成。
标签： Grok4.5 ClaudeOpus4.8 智能体测评 马斯克 AI模型竞争
还木有评论哦，快来抢沙发吧~