Grok 4.5 im Test:
SpaceXAI stärkstes Coding-Modell — Opus-Klasse zum Viertelpreis?

Typische Fehlannahmen vor der Auswahl:

• Nur Benchmark-Ranglisten: Offizielle vs. neutrale Harness-Werte können 17 Prozentpunkte auseinanderliegen.
• Nur API-Stückpreis: Bei 4,2× Output-Token-Verbrauch ist billiger pro Million nicht gleich billiger pro Task.
• Trainingsdaten-Streit ignorieren: CursorBench wurde wegen Datenkontamination zurückgezogen — Cursor-Claims brauchen unabhängige Retests.
• Halluzinationsrate übersehen: AA-Omniscience Index: 54 % Halluzinationen bei Grok 4.5 — Produktion braucht Validierung.

Grok 4.5 ist das bisher stärkste SpaceXAI-Modell, optimiert für:

• Programmierung und Code-Agents: Bugfixes, große Refactors, End-to-End-Apps
• Agentische Workflows: Mehrstufige Automatisierung über Tools und Apps
• Wissensintensive Arbeit: Recht, Medizin, Bildung, Datenanalyse

Anders als frühere Modelle wurde Grok 4.5 gemeinsam mit Cursor trainiert — mit Billionen Tokens echter Entwickler-Interaktionen (Code-Reviews, Debugging, Agent-Repository-Dialoge). SpaceX hat Anysphere im Juni 2026 übernommen; das Co-Training ist eines der ersten Ergebnisse. Hintergrund: SpaceX-Übernahme von Cursor.

Preis ist der zentrale Hebel. Zuerst API-Stückpreise, dann Token-Effizienz in Task-Kosten umgerechnet.

Bei SWE-Bench Pro verbraucht Grok 4.5 im Schnitt 15.954 Output-Tokens pro Lauf, Claude Opus 4.8 67.020 — Faktor 4,2. Bei 500 Tasks/Tag: Grok ~$1.245/Tag vs. Claude Code ~$5.900/Tag. Der Vorteil skaliert bei hoher Frequenz exponentiell.

SpaceXAI veröffentlichte vier Coding-Benchmarks. Wir fassen offizielle und unabhängige Werte zusammen und dokumentieren den CursorBench-Rückzug.

Lesart:

• DeepSWE 1.0: Grok 4.5 Platz 3 — enger Abstand.
• DeepSWE 1.1: Platz 4; Fable 5 führt um 17 Punkte — ehrlichster Quervergleich.
• Terminal Bench 2.1: Top-4 innerhalb 5,4 Punkten — praktisch Gleichstand.
• SWE-Bench Pro: Härtester Test; Grok 4.5 ~16 Punkte hinter Fable 5.

CursorBench-Rückzug: Beim Launch wurde CursorBench vorübergehend entfernt — Cursor-Codebase-Snapshots gelangten vermutlich in die Trainingsdaten. Datenkontamination. Performance-Zahlen zu Cursor-Training warten auf unabhängige Retests.

AutomationBench-AA simuliert 40 Unternehmens-Apps (Gmail, Slack, Salesforce, HubSpot). Grok 4.5 ist das erste Modell, das über die Hälfte der Workflow-Ziele ohne Verstoß gegen Geschäftsregeln erreicht. Snorkel: Recht (40 % vs. 27–28 %), Bildung (58 % vs. 35–42 %), Medizin (35 % vs. 23–25 %).

Artificial Analysis Intelligence Index: Grok 4.5 54 Punkte (Rang 4) — hinter Fable 5 (60), Opus 4.8 (56), GPT-5.5 (55), aber +16 vs. Vorgänger-Grok.

TryAI ließ Grok 4.5, GPT-5.5, Claude Opus 4.8 und Claude Fable 5 mit identischen Prompts dieselbe interaktive App von Grund auf bauen.

Geschwindigkeit und Kosten: Time-to-first-token <0,5 s, ~110 tokens/s (~2× Wettbewerber). GPT-5.5 am schnellsten bei Kurzantworten; Fable 5 langsamstes und teuerstes. Für repetitive High-Frequency-Coding-Tasks dominiert Grok 4.5; für komplexes State-Management in einem Durchlauf bleibt Claude zuverlässiger.

Verfügbare Plattformen (EU voraussichtlich Mitte Juli):

• Grok Build: SpaceXAI-eigene Coding-Agent-Plattform, Grok 4.5 als Standard
• Cursor: Alle Abos (Desktop, Web, iOS, CLI, SDK); verdoppeltes Kontingent in Woche 1
• SpaceXAI Console API: Chat Completions und Responses API
• Office-Plugins: Word, PowerPoint, Excel als Standardmodell
• Drittanbieter-Gateways: OpenRouter, Vercel, Cloudflare, Snowflake, Databricks Mosaic

API-Regionen: us-east-1, us-west-2. Rate Limits: 150 req/s, 50M tokens/min.

curl -s https://api.x.ai/v1/responses \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-4.5",
    "input": "Finde den Bug und fixe ihn: function median(a){a.sort();return a[a.length/2]}"
  }'

Sechs Schritte zur Produktion:

1. SpaceXAI Console registrieren: Konto auf console.x.ai anlegen, API-Key erzeugen, Billing-Region us-east-1 oder us-west-2 prüfen.
2. Modell in Cursor wechseln: Cursor → Modellauswahl → Grok 4.5; Woche 1 mit doppeltem Kontingent Lasttest.
3. Cache-Key konfigurieren: prompt_cache_key in Responses API oder x-grok-conv-id Header bei Chat Completions — Input $0,50/M bei Cache-Hit.
4. Context Compaction für lange Agent-Loops: Token-Akkumulation reduzieren, Gesamtkosten bei hoher Frequenz kontrollieren.
5. Hybrid-Routing: Routine-Subtasks an Grok 4.5, schwierigste Architekturentscheidungen an Claude Fable 5 — Fallback in Cursor oder LiteLLM.
6. Output-Validierung in Produktion: CI-Gates und manuelle Review bei SWE-Bench-Pro-ähnlichen Tasks und halluzinationskritischen Szenarien.

Zitierbare Kennzahlen (EEAT):

• Token-Effizienz: SWE-Bench Pro Output: Grok 4.5 15.954 vs. Opus 4.8 67.020 — Faktor 4,2 (SpaceXAI, 08.07.2026).
• Inferenzgeschwindigkeit: Erstes Token <500 ms, ~110 tokens/s, ~2× Wettbewerb (TryAI).
• Intelligence Index: Artificial Analysis 54, +16 vs. Vorgänger, Rang 4 (Juli 2026).

FAQ:

• F1: Ist Grok 4.5 besser als Claude Opus 4.8? A: Kommt auf die Metrik an. Opus 4.8 führt bei SWE-Bench Pro (69,2 % vs. 64,7 %). Grok 4.5 führt oft bei Geschwindigkeit, Token-Effizienz und Kosten (bis 4×). Bei Agent-Workflow-Abschlussraten leicht vor Opus 4.8 in unabhängigen Benchmarks.
• F2: Ist Grok 4.5 kostenlos? A: Zeitlich begrenzte Gratis-Kontingente bei Grok Build und Cursor; API offiziell $2/M Input, $6/M Output. In Cursor-Abos im Modell-Pool enthalten.
• F3: Grok 4.5 in Cursor nutzen? A: Alle Cursor-Pläne; Modellauswahl → Grok 4.5. Erste Woche doppeltes Kontingent.
• F4: Kontextfenster? A: 500.000 Tokens — ausreichend für die meisten großen Codebases.
• F5: Warum CursorBench zurückgezogen? A: Cursor-Snapshots in Trainingsdaten — Kontamination; SpaceXAI hat Ergebnisse zurückgezogen.
• F6: Über OpenRouter? A: Ja — auch Vercel AI Gateway, Cloudflare, Snowflake, Databricks Mosaic.

DSGVO und US-Cloud-API: Grok 4.5 läuft derzeit nur in us-east-1 und us-west-2. Prompts, Code-Snippets und Agent-Logs werden in US-Rechenzentren verarbeitet — für EU-Teams mit personenbezogenen Daten in Prompts ist das eine Drittlandübermittlung nach Art. 44 ff. DSGVO. Prüfen Sie Auftragsverarbeitung, Standardvertragsklauseln und ob Code/PII lokal bleiben kann. Dedizierte Bare-Metal-Knoten mit klarer Datenhoheit reduzieren unnötige Cloud-Exposition.

Fazit: Grok 4.5 ist nicht das stärkste Coding-Modell, aber der preis-leistungsstärkste Opus-Klasse-Agent — in Token-Effizienz und API-Preis oft 70–80 % günstiger bei vergleichbarer Opus-4.8-Qualität in Mainstream-Agent-Workflows. Finanz- und Safety-Critical-Code: weiterhin Claude Fable 5.

Primärquellen — Links vor Zitaten erneut prüfen:

https://x.ai/news/grok-4-5

https://cursor.com/blog/grok-4-5

https://docs.x.ai/developers/models/grok-4.5

https://techcrunch.com/2026/07/08/spacexai-releases-grok-4-5-which-elon-describes-as-an-opus-class-model/

https://snorkel.ai/blog/grok-4-5-testing-results-how-spacexais-new-model-performs-on-real-professional-work/

Lokale Laptops brechen lange Agent-Loops durch Sleep, parallelisierte Repos konkurrieren um CPU/RAM, und Audit-Grenzen sind schwer teamweit zu vereinheitlichen. Für 24/7 Cursor-Agenten, Codex-CI oder OpenClaw-Gateways ist CALMVPS Bare-Metal Mac Mini Miete meist die stabilere Wahl: dediziertes Apple Silicon, Metal-native Beschleunigung, monatliche Elastizität, ~120 s Provisioning — schwere Agent-Runs in die Cloud, lokal nur Plan-Review. Preisseite.