Grok 4.5: Tính năng, Benchmark, Giá và các đánh giá khác

Grok 4.5 đạt 62% trên benchmark DeepSWE 1.0 và chỉ dùng 15.954 output token cho mỗi task hoàn thành trên SWE-Bench Pro, so với 67.020 token của Claude Opus 4.8 ở chế độ max, theo bản công bố ngày 8/7/2026 của SpaceXAI.

Tóm tắt các điểm chính

Infinity phân tích dữ liệu benchmark chính thức lẫn kết quả kiểm định độc lập từ Artificial Analysis và nhận thấy Grok 4.5 không thắng áp đảo trên mọi bảng xếp hạng, mà đặt cược vào hiệu suất token thấp và tốc độ xử lý tác vụ agent.

• Grok 4.5 ra mắt ngày 8/7/2026, có cửa sổ ngữ cảnh 500.000 token, knowledge cutoff 1/2/2026
• Trên SWE Marathon, Grok 4.5 đạt 29%, vượt Opus 4.8 ở mức 26%, nhưng thua Fable 5 trên DeepSWE 1.1 (53% so với 70%) và SWE-Bench Pro (64,7% so với 80,4%)
• Artificial Analysis đo Intelligence Index của Grok 4.5 đạt 54 điểm, tăng từ 38 của Grok 4.3, nhưng tỷ lệ hallucination cũng tăng từ 25% lên 54%
• Giá API: 2 USD/triệu token input, 6 USD/triệu token output (trong 200.000 token đầu của context)
• Trên GDPval+ của Snorkel AI, Grok 4.5 đạt tỷ lệ pass trung bình 29%, cao hơn GPT-5.5 (22%) và Opus 4.8 (21%)

Grok 4.5 là gì?

Grok 4.5 là mô hình reasoning mixture-of-experts độc quyền của SpaceXAI, công ty phần lớn người dùng vẫn quen gọi là xAI. Mô hình nhắm vào ba mảng chính: coding, tác vụ agent, và công việc văn phòng tổng quát.

Lưu ý: Tên gọi "Grok" có thể chỉ ba thứ khác nhau, liên quan nhưng không thể dùng thay thế cho nhau:

• grok-4.5 là mô hình nền tảng truy cập qua API
• Grok là trợ lý chat dành cho người dùng phổ thông tại grok.com và trên X
• Grok Build là agent coding và môi trường command-line của SpaceXAI, nơi Grok 4.5 hiện là mô hình mặc định

Grok 4.5 có cửa sổ ngữ cảnh 500.000 token, mức reasoning effort có thể chỉnh ở ba cấp độ thấp, trung bình, cao (mặc định là cao), và knowledge cutoff tính đến 1/2/2026. Mô hình nhận input dạng văn bản và hình ảnh, trả về văn bản, không thể tạo ảnh trực tiếp vì SpaceXAI dùng mô hình ảnh riêng cho việc đó.

Grok 4.5 có gì mới so với các phiên bản trước?

SpaceXAI nhóm các tuyên bố ra mắt thành bốn nhóm: coding với agent, hiệu suất token, công việc văn phòng và hỗ trợ công cụ. Cụm từ "tác vụ agent" khá mơ hồ, nên hành động cụ thể quan trọng hơn nhãn dán.

Grok 4.5 xử lý tác vụ coding và agent ra sao?

Trong một tác vụ agent coding, Grok 4.5 có thể kiểm tra repository, lập kế hoạch thay đổi, chỉnh sửa file, chạy lệnh, kiểm thử kết quả và thử lại sau khi gặp lỗi. Quy trình này khác hẳn việc chỉ trả lời một câu hỏi coding đơn lẻ. SpaceXAI dùng bốn benchmark kỹ thuật để chứng minh cho tuyên bố này, chi tiết ở phần benchmark bên dưới.

Grok 4.5 tiết kiệm token đến mức nào?

SpaceXAI báo cáo tốc độ khoảng 80 token mỗi giây và lượng token tiêu thụ thấp hơn một số mô hình khác trên cùng tác vụ. Biểu đồ SWE-Bench Pro của công ty cho thấy Grok 4.5 dùng 15.954 output token cho mỗi task hoàn thành, trong khi Claude Opus 4.8 ở chế độ max cần tới 67.020 token, chênh lệch hơn 4 lần.

Grok 4.5 làm được gì với công việc văn phòng?

SpaceXAI khẳng định Grok 4.5 có thể xử lý nghiên cứu, tài liệu ra quyết định, spreadsheet và presentation. Các ví dụ của công ty dùng Office add-in, nhưng demo từ nhà cung cấp không xác lập được tỷ lệ thành công thực tế. Đánh giá GDPval+ sớm từ Snorkel AI cung cấp một con số khác: tỷ lệ pass trung bình 29%, so với 22% của GPT-5.5 và 21% của Claude Opus 4.8.

GDPval+ chứa khoảng 2.000 task dựa trên công việc chuyên nghiệp thực tế. Tỷ lệ pass này chỉ áp dụng cho bộ task và phương pháp chấm điểm cụ thể đó, không đại diện cho mọi spreadsheet, báo cáo hay presentation nói chung.

Grok 4.5 hỗ trợ những công cụ và tính năng API nào?

Grok 4.5 hỗ trợ function calling, structured output, tìm kiếm web và X, thực thi code, tìm kiếm tài liệu qua collections, và nén ngữ cảnh cho phiên làm việc dài. Các công cụ này cho phép ứng dụng tìm thông tin, chạy code, hoặc kiểm tra kết quả thay vì chỉ trả về văn bản thuần túy.

Cơ chế nén ngữ cảnh rút gọn phần đầu của một phiên làm việc dài trước khi gửi request tiếp theo, giúp phiên làm việc tiếp tục mà không cần gửi lại toàn bộ lịch sử. Một số chi tiết có thể bị mất trong quá trình này, và giới hạn ngữ cảnh 500.000 token vẫn được áp dụng.

Grok 4.5 được huấn luyện như thế nào?

SpaceXAI huấn luyện Grok 4.5 trên hàng chục nghìn GPU NVIDIA GB300, dùng dữ liệu coding, khoa học, kỹ thuật và toán học. Reinforcement learning bao phủ hàng trăm nghìn tác vụ, bao gồm các phiên chạy agent kéo dài hàng giờ. Bài đăng ra mắt của Cursor, đối tác đồng huấn luyện, cho biết tập dữ liệu huấn luyện bao phủ nhiều chủ đề hơn so với mô hình coding Composer 2.5 của chính họ.

Trang ra mắt cho biết SpaceXAI đã loại bỏ dữ liệu trùng lặp, chấm điểm chất lượng dữ liệu, và chọn lọc theo chủ đề. Công ty cũng mô tả một cấu hình huấn luyện cho phép các phiên chạy agent dài tiếp tục trong khi mô hình học từ các tác vụ khác. Đây đều là thông tin do công ty tự công bố, nên không thể suy diễn thêm về kiến trúc chưa được liệt kê.

Grok 4.5 đạt điểm bao nhiêu trên các benchmark coding chính thức?

Trên DeepSWE 1.0, Grok 4.5 đạt 62%, thấp hơn Fable 5 (66,1%) và GPT-5.5 (64,3%), nhưng dẫn đầu SWE Marathon với 29% so với 26% của Opus 4.8. Nguồn dữ liệu và cấu hình test ảnh hưởng trực tiếp đến khả năng so sánh giữa các điểm số.

Biểu đồ của SpaceXAI kết hợp số liệu từ system card và bảng xếp hạng của nhiều nhà cung cấp khác nhau, chứ không dùng một cấu hình đánh giá thống nhất. DeepSWE 1.0 sử dụng agent framework riêng của từng nhà cung cấp, trong khi DeepSWE 1.1 dùng chung một cấu hình mini-swe-agent. Cursor cũng công khai rằng một snapshot cũ hơn của codebase công ty đã lọt vào dữ liệu huấn luyện và làm tăng điểm CursorBench, vì vậy benchmark này bị loại khỏi so sánh.

Các bài test cũng đo những loại công việc khác nhau. DeepSWE kiểm tra khả năng agent thay đổi một code repository. SWE Marathon dùng các task dài hơn, có thể cần nhiều bước để hoàn thành. Terminal-Bench 2.1 tập trung vào công việc thực hiện qua terminal, còn SWE-Bench Pro dùng các vấn đề phần mềm thực tế từ repository. Một điểm số đơn lẻ không thể mô tả hiệu năng trên cả bốn loại công việc này.

Infinity nhận định: Kết quả biến động rõ rệt theo từng benchmark. Grok 4.5 dẫn đầu duy nhất ở SWE Marathon, trong khi tụt lại đáng kể so với Fable 5 trên cả DeepSWE 1.1 lẫn SWE-Bench Pro. Infinity khuyến nghị không nên coi một khoảng cách điểm nhỏ là kết luận dứt khoát khi cấu hình đánh giá giữa các benchmark còn khác nhau.

Đánh giá độc lập từ Artificial Analysis cho kết quả gì?

Artificial Analysis xếp Grok 4.5 ở vị trí thứ tư trên Intelligence Index với 54 điểm, tăng từ 38 điểm của Grok 4.3. Trên Coding Agent Index, Grok 4.5 chạy trong Grok Build đạt điểm gần bằng GPT-5.5 chạy trong Codex. Artificial Analysis cũng ghi nhận mức tiêu thụ token thấp hơn.

Ngày 13/7, Artificial Analysis đo được tốc độ khoảng 120 token mỗi giây, cao hơn con số SpaceXAI công bố. Tổ chức này cũng ghi nhận thời gian chờ 14,5 giây trước khi nhận token đầu tiên, so với mức trung vị 2,7 giây của cùng phân khúc giá. Sau khoảng chờ đó, output trả về khá nhanh.

Grok 4.5 có đáng tin cậy hơn Grok 4.3 không?

Artificial Analysis đo được Grok 4.5 trả lời đúng nhiều hơn Grok 4.3, với độ chính xác tăng từ 35% lên 52%, nhưng tỷ lệ hallucination đo được cũng tăng từ 25% lên 54%. Kết quả này không hoàn toàn bất ngờ, vì một mô hình có thể trả lời đúng nhiều câu hỏi hơn trong khi đồng thời tự tin hơn khi trả lời sai. Một đánh giá đơn lẻ không chứng minh Grok 4.5 luôn hallucinate nhiều hơn, nhưng con số này đã định hình cách thiết kế các bài test thực nghiệm bên dưới, mỗi bài đều có thông tin thiếu, mâu thuẫn, hoặc tiền đề sai.

Grok 4.5 có giá bao nhiêu?

xAI tính phí riêng cho token và cho các công cụ phía server. Tính đến ngày 14/7, tài liệu xác nhận mức giá cao hơn áp dụng cho phần vượt quá 200.000 context token, nhưng chưa công bố con số chính xác. Tài liệu cũng có mức giá riêng cho cached input.

Phí token và phí công cụ được tính riêng biệt. Một request vừa tìm kiếm web vừa chạy code có thể phát sinh cả hai loại phí, ngay cả khi văn bản trả về cuối cùng ngắn. Việc gọi công cụ nhiều lần vì vậy có thể làm thay đổi chi phí nhiều hơn mức câu trả lời hiển thị gợi ý.

Reasoning token được tính theo mức giá output, nên reasoning effort cao có thể đẩy chi phí lên trước khi câu trả lời hiển thị được tính. Prompt caching cũng cần định tuyến nhất quán qua prompt_cache_key hoặc header x-grok-conv-id. Nếu thiếu, một request có thể rơi vào server chưa có cache và phải trả đầy đủ mức giá input.

Grok 4.5 không phải mô hình có giá token thấp nhất. Grok 4.3 có mức giá tiêu chuẩn thấp hơn và có giảm giá cho xử lý theo lô (batch). Vì vậy, chi phí thấp hơn cho mỗi task hoàn thành của Grok 4.5 phụ thuộc vào việc mô hình sử dụng ít token hơn trong thực tế.

Chi phí thực tế cho mỗi task của Grok 4.5 là bao nhiêu?

Dùng 2.000 input token cùng con số output mà SpaceXAI công bố cho ra chi phí ước tính khoảng 0,10 USD cho mỗi task, chưa tính công cụ. Khi kiểm tra ngày 14/7, Artificial Analysis niêm yết khoảng 2,49 USD cho mỗi task trên Coding Agent Index trong phần thân bài viết, dù phần tóm tắt trên cùng trang lại ghi 2,59 USD. Các con số khác là 11,80 USD cho Fable 5 và 5,07 USD cho GPT-5.5, nên con số của Grok 4.5 nên được xem là ước tính cho đến khi Artificial Analysis thống nhất lại số liệu.

Các con số chi phí theo task này áp dụng cho một cấu hình test cụ thể. Kích thước repository, mức độ dùng công cụ, số lần thử lại, và reasoning effort có thể làm thay đổi hóa đơn thực tế, nên tỷ lệ chi phí này không nên coi là cố định.

Truy cập Grok 4.5 bằng cách nào?

Grok Build và Cursor bổ sung công cụ, quyền hạn và quy tắc tính phí riêng quanh mô hình, nên kết quả từ một route truy cập có thể khác với response gọi trực tiếp qua API. Các route truy cập khác tại thời điểm ra mắt gồm SpaceXAI API, Office add-in, và một số model gateway. Tên mô hình trên API là grok-4.5.

Về khả năng tiếp cận theo khu vực, tại thời điểm ra mắt, Cursor có chương trình khuyến mãi tạm thời tăng 50% mức sử dụng, được mô tả công khai là gấp đôi mức dùng trong tuần đầu tiên. Grok 4.5 không miễn phí trong Cursor. SpaceXAI cũng cho biết mô hình chưa khả dụng tại EU trong lúc công ty hoàn thiện việc tuân thủ EU AI Act. Cả hai điều kiện ra mắt này cần được kiểm tra lại trên trang sản phẩm chính thức trước khi coi là thông tin hiện hành.

Nên chọn Grok 4.5 hay Grok 4.3?

Lựa chọn giữa Grok 4.5 và Grok 4.3 là một đánh đổi thực sự: Grok 4.5 đạt điểm cao hơn trên đánh giá độc lập của Artificial Analysis và có rate limit API cao hơn, trong khi Grok 4.3 có cửa sổ ngữ cảnh gấp đôi và giá token thấp hơn.

Infinity đánh giá: Lợi thế của Grok 4.5 nằm ở điểm đánh giá độc lập cao hơn và thông lượng API lớn hơn, chứ không phải cửa sổ ngữ cảnh lớn hơn hay token rẻ hơn. Grok 4.3 vẫn là lựa chọn chi phí thấp hơn cho prompt dài và công việc xử lý theo lô. Với workflow agent, Infinity khuyến nghị nên đo bằng tỷ lệ hoàn thành, số lần thử lại, và tổng token dùng cho mỗi task, thay vì chỉ nhìn vào giá niêm yết trên trang chủ.

Grok 4.5 có những hạn chế nào?

Grok 4.5 không dẫn đầu ở mọi benchmark coding, và bằng chứng độ tin cậy độc lập vẫn còn trái chiều. Các request có context lớn, gọi công cụ nhiều, hoặc thử lại nhiều lần có thể đẩy chi phí lên cao. Khả năng truy cập khác nhau theo sản phẩm và khu vực. Mô hình thuộc sở hữu độc quyền, không có weight để triển khai local, và cả SpaceXAI lẫn Cursor đều chưa công bố số lượng tham số.

Về xử lý dữ liệu và kiểm soát cấp doanh nghiệp, SpaceXAI ghi nhận Zero Data Retention là một tính năng dành cho gói enterprise, không phải cam kết mặc định cho mọi tài khoản. Tài liệu về collections cho biết dữ liệu lưu trữ trong collection không được dùng để huấn luyện mô hình, nhưng tuyên bố này không nên áp dụng cho mọi loại prompt hay file khác.

Khi nào nên dùng Grok 4.5?

Infinity khuyến nghị: Bắt đầu bằng một task lặp lại từ chính workload thực tế, chạy cùng một prompt, dữ liệu, công cụ và tiêu chí đạt trên từng mô hình đang cân nhắc. Ghi lại số lần cần sửa, thời gian xử lý, lượng token, số lần gọi công cụ, và số lần chạy thất bại. Điểm số công khai phù hợp để chọn ra danh sách ứng viên ban đầu, nhưng quyết định cuối cùng nên dựa trên chi phí thực tế và tỷ lệ lỗi đo được trên chính task của người dùng.

Kết luận

Grok 4.5 cho thấy vì sao một vị trí trên bảng xếp hạng không còn kể hết câu chuyện. Các benchmark di chuyển theo nhiều hướng khác nhau, và bốn bài test thực nghiệm ở trên chỉ phản ánh một cấu hình API và Cursor cụ thể. Điểm đáng chú ý nhất nằm ở khoảng cách giữa tuyên bố về chi phí theo task của SpaceXAI và dữ liệu độ tin cậy còn trái chiều. Cả hai yếu tố đều quan trọng một khi mô hình có thể hành động thông qua công cụ, chứ không chỉ viết ra câu trả lời.