Grok 4.5 Test: Opus-Niveau zum Viertel-API-Preis — Marketing oder messbare Daten?
Zielgruppe: Mac-Entwickler in Cursor mit Claude/GPT-Stack, die nach dem Release am 8. Juli 2026 eine datenbasierte Wechselentscheidung brauchen. Lieferumfang: Spec-Tabelle, API- und Task-Preise, vier Coding-Benchmarks, TryAI-Ergebnisse, Fünf-Schritte-Anbindung, Entscheidungsmatrix, FAQ×6 — ohne Marketingfilter.
📋 Inhaltsverzeichnis
Cursor/Claude/Copilot/Gemini im Quervergleich: KI-Coding-Assistenten-Vergleich 2026. Agent-Workflow-Isolation: Agent-Skill-Komplettanleitung.
Am 8. Juli 2026 veröffentlichte SpaceXAI Grok 4.5 — das erste Flaggschiff nach dem Börsengang. Musk auf X: „Opus-Niveau, schneller, token-effizienter, günstiger." Wir haben alle öffentlichen Benchmarks, unabhängige Tests und Preisdaten konsolidiert — Zahlen zuerst, Meinung danach.
01 · Drei Schmerzpunkte: Warum der Listenpreis allein nicht reicht
- Preis pro Million ≠ Preis pro Task: API $2/$6 wirkt halb so teuer wie Opus 4.7 ($5/$25). Bei SWE-Bench Pro verbraucht Grok 4.5 jedoch 15.954 Output-Tokens vs. 67.020 bei Opus 4.8 — Faktor 4,2×. Die Gesamtrechnung skaliert exponentiell mit der Token-Menge.
- Harness-abhängige Benchmarks: DeepSWE 1.0 (Hersteller-Harness): Grok 4.5 Platz 3 (62,0 %). DeepSWE 1.1 (neutral): Platz 4 (53 %). Wer nur eine Zahl zitiert, riskiert Fehlentscheidungen im Team.
- Release-Risiken: CursorBench wegen Trainingsdaten-Kontamination zurückgezogen; AA-Omniscience-Halluzinationsrate 54 %. Agent-Outputs brauchen Validierung — kein „Modellwechsel und deploy".
02 · Grok 4.5: Modellprofil
SpaceXAIs stärkstes Modell, optimiert für:
- Code & Code-Agenten: Bugfixes, Refactoring großer Repos, End-to-End-Apps
- Agentische Workflows: Multi-Step-Automatisierung über Tools und Apps
- Wissensintensive Domänen: Recht, Medizin, Bildung, Datenanalyse
Besonderheit: Gemeinsames Training mit Cursor — Billionen Tokens aus echten Dev-Interaktionen (Code Review, Debugging, Agent-Codebase-Zugriff). SpaceX übernahm Anysphere (Cursor-Mutter) im Juni 2026; Grok 4.5 ist eines der ersten Joint-Training-Ergebnisse.
2.1 Spezifikationen
| Parameter | Wert |
|---|---|
| Architektur | Mixture of Experts (MoE) |
| Kontextfenster | 500.000 Tokens |
| Reasoning-Modus | Niedrig / Mittel / Hoch (Standard: Hoch) |
| Inferenzgeschwindigkeit | Offiziell 80 TPS, gemessen ~90 TPS |
| Trainings-Hardware | Zehntausende NVIDIA GB300 (Memphis-Rechenzentrum) |
| Parameterzahl | Nicht veröffentlicht (MoE) |
03 · Preisvergleich: API vs. echte Task-Kosten
3.1 API-Preise pro 1M Tokens
| Modell | Input | Output |
|---|---|---|
| Grok 4.5 | $2,00 | $6,00 |
| Grok 4.5 (Cache-Hit) | $0,50 | — |
| Grok 4.5 Fast | $4,00 | $18,00 |
| Claude Opus 4.7 | $5,00 | $25,00 |
| Claude Fable 5 | Höher | Höher |
| GPT-5.6 Sol (Flagship) | $5,00 | $30,00 |
| GPT-5.6 Luna (Budget) | $1,00 | $6,00 |
3.2 Kosten pro Agent-Task
| Modell / Plattform | Ø Token pro Task | Ø Kosten pro Task |
|---|---|---|
| Grok 4.5 / Grok Build | ~1,9M Tokens | $2,49 |
| GPT-5.5 / Codex | ~6,2M Tokens | $5,07 |
| Claude Fable 5 / Claude Code | ~7,2M Tokens | $11,80 |
Datenpunkt #1: Bei 500 Tasks/Tag: Grok ~$1.245/Tag, Claude-Code-Route ~$5.900/Tag. Output-Token-Gap SWE-Bench Pro: 4,2×.
04 · Benchmark-Analyse
4.1 Coding-Benchmarks
| Benchmark | Grok 4.5 | Claude Fable 5 | Claude Opus 4.8 | GPT-5.5 |
|---|---|---|---|---|
| DeepSWE 1.0 (Hersteller-Harness) | 62,0% | 66,1% | 55,75% | 64,31% |
| DeepSWE 1.1 (neutraler Harness) | 53% | 70% | 59% | 67% |
| Terminal Bench 2.1 | 83,3% | 84,3% | 78,9% | 83,4% |
| SWE-Bench Pro (Lösungsrate) | 64,7% | 80,4% | 69,2% | 58,6% |
Interpretation: DeepSWE 1.1: Grok 17 pp hinter Fable 5. Terminal Bench 2.1: Spannweite 5,4 pp — praktisch Gleichstand. SWE-Bench Pro: Grok Platz 3, ~16 pp hinter Fable 5.
⚠️ CursorBench zurückgezogen — Cursor-Snapshots in Trainingsdaten; unabhängiger Retest ausstehend.
4.2 Agent-Benchmarks
| Benchmark | Grok 4.5 | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|
| AutomationBench-AA (657 Workflows) | 51,4% 🥇 | 48,6% | 48,5% |
| Snorkel GDPVal+ (Professionelle Arbeit) | 29% 🥇 | — | 21% |
Snorkel-Domänen: Recht 40 % vs. 27–28 %, Bildung 58 % vs. 35–42 %, Medizin 35 % vs. 23–25 %.
4.3 Artificial Analysis Index
Datenpunkt #2: Grok 4.5: 54 (Platz 4) — hinter Fable 5 (60), Opus 4.8 (56), GPT-5.5 (55). +16 Punkte vs. Vorgänger.
05 · TryAI Praxistest
TryAI ließ Grok 4.5, GPT-5.5, Opus 4.8 und Fable 5 dieselbe interaktive App bauen:
- 3D-Würfel (schwierigste Aufgabe): Opus 4.8 & Fable 5 beim ersten Versuch ✅; Grok 4.5 nur Titel/Button, Würfel erst im 2. Versuch ❌→✅; GPT-5.5 ❌
- Latenz: Erster Token <0,5 s; Durchsatz ~110 tokens/s (~2× Konkurrenz)
- Kosten: Günstigster Lauf trotz teils höherer Raw-Token-Zahl
Datenpunkt #3: <500 ms TTFT + ~110 t/s senkt „Warte-Steuer" in Agent-Loops; komplexe UI/State-Management bleiben Claude-stärker.
06 · Plattformen & API in fünf Schritten
- Grok Build — Standardmodell
- Cursor — alle Pläne, Release-Woche doppeltes Kontingent
- SpaceXAI Console API — Chat Completions & Responses
- Office-Plugins — Word, PowerPoint, Excel
- Third-Party-Gateways — OpenRouter, Vercel, Cloudflare, Snowflake, Databricks Mosaic
Regionen: us-east-1, us-west-2. Limits: 150 req/s, 50M tokens/min. EU: voraussichtlich Mitte Juli.
6.1 Fünf Schritte zur Anbindung
- API-Key auf console.x.ai erstellen; Region us-east-1 oder us-west-2
- Ersten Responses-API-Call mit
grok-4.5senden prompt_cache_key(Responses) oderx-grok-conv-id(Chat) setzen → Input $0,50/M- Context Compaction für lange Agent-Loops aktivieren
- In Cursor auf Grok 4.5 wechseln; 3 Referenz-Tasks (Bug / Feature / Refactor) gegen Claude messen
07 · Entscheidungsmatrix
| ✅ Grok 4.5 passt | ⚠️ Vorsicht |
|---|---|
| Hochfrequente Agent-Tasks (100–1000+/Tag) | SWE-Bench-Pro-Präzision (Fable 5 +~16 pp) |
| Terminal & Tool-Calling (Terminal Bench / AutomationBench top) | Halluzinationsrate 54 % — Output-Validierung Pflicht |
| Cursor-native Teams | EU: API noch nicht offen (Mitte Juli) |
| Budget-sensitive Startups | CursorBench-Credibility ausstehend |
| Hybrid: Grok für Routine, Fable 5 für Architektur | Finanz/Sicherheitskritisch: Fable 5 sicherer |
08 · Fazit
Grok 4.5 ist nicht das stärkste Coding-Modell — aber das kosteneffizienteste Opus-klasse Agent-Modell im Juli 2026. Der Wert liegt in der Umrechnung von Token-Effizienz und API-Preis in Task-Kosten: ~70–80 % des Opus-4.8-Niveaus zu deutlich niedrigerer Rechnung. Für Cursor-Nutzer lohnt ein strukturierter A/B-Test; bei maximaler Präzision bleibt Fable 5 die sichere Wahl.
09 · FAQ (6 Fragen)
F: Ist Grok 4.5 besser als Claude Opus 4.8?
A: Metrik-abhängig. Opus 4.8: SWE-Bench Pro 69,2 % vs. 64,7 %. Grok 4.5: Speed, Token-Effizienz, Kosten oft 4× besser; Agent-Benchmarks teils führend.
F: Kostenlos nutzbar?
A: Zeitlich begrenzt in Grok Build/Cursor; danach $2/$6 API. In Cursor-Abos enthalten.
F: Grok 4.5 in Cursor?
A: Modellwähler → Grok 4.5; Release-Woche doppeltes Kontingent.
F: Kontextfenster?
A: 500.000 Tokens.
F: Warum kein CursorBench?
A: Trainingsdaten-Kontamination; unabhängiger Retest ausstehend.
F: OpenRouter?
A: Ja — plus Vercel, Cloudflare, Snowflake, Databricks Mosaic.
10 · Isolierter Mac: Grok 4.5 + Cursor ohne Keychain-Risiko testen
Vor dem Modellwechsel: Produktions-Repo-Subset auf einem isolierten Apple-Silicon-Knoten klonen, xAI-API-Key setzen, drei Task-Typen (Bug / Agent-Loop / Multi-File-Refactor) gegen Claude messen. Auf dem Hauptrechner drohen API-Key-Kontamination, versehentliche Agent-Edits und nicht isolierte Cache-Strategien.
Windows/Linux: Cursor Web/CLI teilweise nutzbar, aber keine vollständige macOS-Toolchain/Keychain/Xcode-Validierung. Tagesmiete M-Serie: destroy-after-test. Preise: M-Serie Compute-Preise.
11 · Quellen
- SpaceXAI Release: x.ai/news/grok-4-5
- Cursor Joint Release: cursor.com/blog/grok-4-5
- API-Docs: docs.x.ai/developers/models/grok-4.5
- TechCrunch: SpaceXAI releases Grok 4.5
- Awesome Agents: awesomeagents.ai
- APIdog Benchmarks: apidog.com
- Snorkel AI: snorkel.ai
Datenstand: 10. Juli 2026. Fähigkeiten und Preise können sich ändern — offizielle Docs maßgeblich.