Grok 4.5 expliqué : Benchmarks de codage, 80 TPS, efficacité des tokens et tarification API

Introduction

Grok 4.5 replace xAI au premier rang de la course aux modèles de codage.

Publié le 8 juillet 2026, ce modèle est conçu pour l'ingénierie logicielle, les tâches agentiques et le travail de connaissance plus large. Il a été entraîné avec Cursor et est désormais disponible via l'API xAI, Grok Build et Cursor. Le point principal n'est pas seulement la qualité du modèle. Grok 4.5 se distingue également par un service plus rapide, moins de tokens générés et un coût inférieur par tâche accomplie.

La documentation officielle du modèle indique une fenêtre de contexte de 500 000 tokens, une entrée texte et image, un raisonnement configurable, l'appel de fonctions, la prise en charge des sorties structurées, et une tarification API de 2 $ par million de tokens d'entrée et 6 $ par million de tokens de sortie.

Cet article explique où Grok 4.5 performe bien, comment interpréter ses affirmations d'efficacité, ce qui a changé dans l'entraînement, et pourquoi la pile d'inférence environnante pourrait devenir aussi importante que le modèle lui-même.

[L'image montre un tweet d'Elon Musk, fondateur de SpaceX AI, publié le 8 juillet 2026. Il indique que, sur la base des retours positifs des clients en phase de test, SpaceX AI publiera demain la version Grok 4.5 au public. Ce modèle appartient à la série Opus, mais fonctionne plus rapidement, avec une efficacité de traitement supérieure et un coût réduit. Le tweet affiche l'heure 14h21, la date du 8 juillet 2026, et 5,3 millions de vues. Ce tweet correspond au contenu du document présentant la publication et les caractéristiques du modèle Grok 4.5.]

Grok obtient son propre modèle de codage de classe Opus

Grok 4.5 est le modèle phare de xAI pour le codage, le travail agentique et les tâches de connaissance générales basées sur ordinateur. Les supports de lancement officiels le décrivent comme un modèle capable de gérer des travaux de longue durée, d'utiliser des outils, de se remettre d'erreurs et de vérifier les résultats, au lieu de s'arrêter après une seule réponse.

Cela le place dans la même catégorie générale que les modèles haut de gamme utilisés pour le codage autonome, les modifications au niveau du dépôt, la recherche technique, l'analyse de données et les workflows bureautiques en plusieurs étapes.

Spécifications principales du modèle

Élément	Grok 4.5
Nom du modèle	grok-4.5
Cas d'utilisation principaux	Codage, tâches agentiques, travail de connaissance
Modalités d'entrée	Texte et images
Modalité de sortie	Texte
Fenêtre de contexte	500 000 tokens
Raisonnement	Configurable
Appel de fonctions	Pris en charge
Sorties structurées	Pris en charge
Prix d'entrée	2 $ par million de tokens
Prix d'entrée en cache	0,50 $ par million de tokens
Prix de sortie	6 $ par million de tokens
Vitesse de service rapportée	Jusqu'à 80 tokens par seconde
Disponibilité	API xAI, Grok Build, Cursor

La fenêtre de contexte de 500K est suffisamment grande pour des bases de code substantielles, de longs documents techniques, des investigations multi-fichiers et des historiques d'agents étendus. Une grande fenêtre de contexte ne garantit pas automatiquement de meilleurs résultats, mais elle donne aux outils plus de marge pour fournir du matériel source pertinent sans troncature agressive.

Résultats des benchmarks de codage

L'annonce officielle de xAI publie les résultats de plusieurs évaluations en génie logiciel. Grok 4.5 n'est pas le meilleur modèle sur tous les benchmarks, mais il reste compétitif avec d'autres systèmes de pointe.

Benchmark	Grok 4.5	Résultats de comparaison sélectionnés
DeepSWE 1.0	62,0 %	Fable max 66,1 % ; GPT-5.5 xhigh 64,31 % ; Opus 4.8 max 55,75 %
DeepSWE 1.1	53,0 %	Fable max 70 % ; GPT-5.5 xhigh 67 % ;

Opus 4.8 max 59 % |
| Terminal-Bench 2.1 | 83,3 % | Fable max 84,3 % ; GPT-5.5 xhigh 83,4 % ; Opus 4.8 max 78,9 % |
| SWE-Bench Pro | 64,7 % | Fable max 80,4 % ; Opus 4.8 max 69,2 % ; Opus 4.7 max 64,3 % |
| SWE Marathon | 29,0 % | Opus 4.8 max 26,0 % ; Fable max 24,0 % ; Opus 4.7 max 16,0 % |

Ces chiffres suggèrent un modèle particulièrement performant pour les tâches en terminal, les tâches d'ingénierie pratique et les workflows agentiques plus longs. Ils doivent néanmoins être interprétés avec prudence. Les environnements de test, les paramètres de raisonnement, l'accès aux outils et les configurations spécifiques au fournisseur peuvent influencer les résultats.

Cursor a également révélé qu'un instantané plus ancien de la base de code de Cursor était accidentellement présent dans les données d'entraînement, ce qui pourrait affecter CursorBench. L'entreprise a exclu ce benchmark de sa comparaison publique et a déclaré que ces données ne seraient pas utilisées pour les futurs modèles.

Un service plus rapide et une utilisation réduite des tokens

L'affirmation la plus pratique concernant Grok 4.5 est son efficacité.

xAI indique que le modèle sert jusqu'à 80 tokens par seconde. C'est suffisamment rapide pour rendre les longues traces de raisonnement, les modifications de dépôt et les boucles agentiques itératives plus réactives que les modèles premium plus lents.

L'entreprise rapporte également que Grok 4.5 a utilisé en moyenne 15 954 tokens de sortie par tâche SWE-Bench Pro, contre 67 020 tokens de sortie pour Opus 4.8 dans son réglage maximal. Cela représente environ 4,2 fois moins de tokens de sortie sur la charge de travail mesurée.

L'efficacité des tokens est importante pour trois raisons :

1. Latence plus faible : moins de tokens générés signifie généralement que la tâche se termine plus rapidement.
2. Coût API réduit : les tokens de sortie sont souvent plus chers que les tokens d'entrée.
3. Boucles agentiques plus courtes : un raisonnement concis peut réduire le temps passé à transmettre de longs historiques entre les outils.

La métrique importante n'est pas simplement le prix par million de tokens. Les équipes doivent comparer le coût de réalisation de la même tâche à un niveau de qualité acceptable. Un modèle avec un prix de token catalogue plus élevé peut encore être moins cher s'il nécessite moins de tentatives, moins d'appels d'outils ou moins de

jetons générés.

Tarification de l'API

Le prix de base de l'API est le suivant :

Type de jeton	Prix
Entrée	2 $ par million de jetons
Entrée en cache	0,50 $ par million de jetons
Sortie	6 $ par million de jetons

Cursor propose également une variante plus rapide à 4 $ par million de jetons d'entrée** et 18 $ par million de jetons de sortie dans sa propre offre de modèles. Les prix et la disponibilité peuvent varier selon la plateforme, les équipes de production doivent donc confirmer le taux dans l'environnement qu'elles utilisent réellement.

De la Génération de Code aux Flux de Travail Complets

Grok 4.5 est conçu pour faire plus que compléter une fonction ou expliquer une erreur. Les exemples officiels incluent :

• Construire une simulation de système solaire à partir d'une seule invite
• Créer des applications web de bout en bout
• Produire des diapositives PowerPoint avec des formes natives
• Construire des modèles de feuilles de calcul multi-feuilles
• Travailler sur des tâches d'ingénierie logicielle, de finance, de droit et de recherche
• Utiliser des outils lors de sessions d'agent de longue durée

La démo du système solaire est utile car elle combine le design, le code front-end, le rendu 3D, les contrôles et la logique d'interaction. Ce n'est pas la preuve que chaque application issue d'une seule invite sera prête pour la production, mais cela montre le type de tâche intégrée que le modèle est optimisé pour gérer.

Grok 4.5 s'étend également au travail de bureau. Dans les documents de lancement, il crée des diapositives structurées de revue d'entreprise et travaille avec des feuilles de calcul impliquant des formules, des recherches web et plusieurs feuilles.

Pour les équipes de développement, un flux de travail pratique pourrait ressembler à ceci :

1. Donner à Grok 4.5 le contexte du dépôt et une tâche clairement définie.
2. Le laisser inspecter les fichiers, implémenter le changement et exécuter les commandes de validation.
3. Lui demander de fournir un résumé concis des modifications et des preuves issues des tests.
4. Examiner le correctif avec un humain ou un second modèle avant de fusionner.
5. Garder le déploiement en production et les opérations sensibles derrière une approbation explicite.

Un modèle peut être rapide et performant tout en produisant des hypothèses incorrectes, des changements dangereux ou une validation incomplète. La meilleure utilisation des modèles de codage agentiques est généralement l'automatisation structurée avec des preuves visibles, et non l'autonomie sans restriction.

Les Gains d'Efficacité Proviennent d'une Stratégie d'Entraînement Différente

Les gains d'efficacité ne sont pas présentés comme une simple optimisation de service. xAI et Cursor décrivent tous deux des changements dans l'architecture du modèle, la préparation des données, l'apprentissage par renforcement et l'entraînement distribué.

Mélange d'Experts

Architecture

Cursor décrit Grok 4.5 comme un modèle à mélange d'experts. Dans un système MoE, seule une partie du réseau est activée pour un jeton ou une tâche donnée. Cela peut augmenter la capacité totale du modèle sans exiger que chaque paramètre participe à chaque étape d'inférence.

Les sources officielles ne publient pas suffisamment de détails d'implémentation pour calculer la puissance de calcul exacte utilisée par jeton. Il est donc plus précis de se concentrer sur le comportement mesuré — vitesse, qualité des benchmarks et consommation de jetons — plutôt que de déduire les performances d'un nombre de paramètres non vérifié.

Entraînement à l'échelle GB300

xAI indique que Grok 4.5 a été entraîné sur des dizaines de milliers de GPU NVIDIA GB300. Un entraînement à cette échelle nécessite plus que du matériel brut. Les longues durées d'exécution exigent des systèmes distribués stables, une reprise après point de contrôle, une mise en réseau, des pipelines de données et une surveillance capables de maintenir des milliers d'accélérateurs productifs.

L'annonce met l'accent sur les techniques de stabilité conçues pour les très grands entraînements. Cela est important car une défaillance dans une expérience longue peut gaspiller une grande quantité de calcul si le système ne peut pas récupérer efficacement.

Meilleure densité des données, pas seulement plus de jetons

Le pipeline d'entraînement comprenait :

• Une déduplication à grande échelle
• Une notation de la qualité
• Un filtrage ciblé par domaine
• Une sélection de données à fort signal
• Un mélange plus large de matériel de codage, science, ingénierie, mathématiques et travail de connaissance

L'objectif est d'améliorer la densité des signaux d'entraînement utiles au lieu de se fier uniquement au volume brut de jetons. Les données répétées, de faible qualité ou faiblement pertinentes peuvent augmenter le coût d'entraînement sans apporter la même amélioration que des exemples soigneusement sélectionnés.

Données d'interaction Cursor

Cursor indique que le modèle a été entraîné avec des billions de jetons de données Cursor. Selon l'entreprise, l'ensemble de données capture les interactions entre utilisateurs, bases de code, outils logiciels et agents.

Cette distinction est importante. Un ensemble de données uniquement basé sur du code enseigne la syntaxe, les motifs, les bibliothèques et les implémentations courantes. Les données d'interaction peuvent également enseigner la séquence de travail :

• Comment les développeurs inspectent un dépôt inconnu
• Quels fichiers ils ouvrent avant d'apporter une modification
• Comment ils réagissent aux échecs de test
• Quand ils utilisent des commandes terminales
• Comment ils révisent un correctif après un retour
• Comment un agent interagit avec les outils et son environnement

Cela aide à expliquer pourquoi Grok 4.5 est positionné autour du génie logiciel plutôt que de la complétion de code isolée.

Apprentissage par renforcement sur des tâches difficiles et réalistes

xAI indique que son programme d'apprentissage par renforcement couvre des centaines de milliers de tâches, en se concentrant sur le génie logiciel multi-étapes et d'autres travaux techniques.

Cursor décrit des environnements qui entraînent le modèle à :

1. Explorer le problème
2. Utiliser des outils
3. Se remettre des erreurs
4. Vérifier le résultat
5. Continuer à travailler sur de longues horizons de tâches

Les entreprises ont également construit des systèmes d'agents distribués pour générer, tester et affiner ces environnements d'entraînement à grande échelle. Certains déploiements d'agents peuvent durer des heures tandis que le processus d'entraînement plus large se poursuit de manière asynchrone.

Il s'agit d'un changement significatif par rapport à l'optimisation étroite des benchmarks. Le modèle est entraîné non seulement à produire une réponse finale correcte, mais aussi à naviguer dans le processus qui y mène.

à un.

Une Dernière Chose : L'ingénierie Système pourrait être le Prochain Champ de Bataille

Les poids des modèles ne sont qu'une partie du produit final.

Une déclaration publique d'Elon Musk a indiqué que Grok 4.5 n'utilisait pas encore le logiciel d'inférence en C/C++ développé en interne par xAI, spécifiquement adapté au matériel GB300. Il a suggéré que la pile optimisée pourrait potentiellement doubler la vitesse de service, voire l'améliorer encore.

Il s'agit d'une affirmation prospective plutôt que d'un résultat de production mesuré, elle ne doit donc pas être considérée comme une performance garantie. Néanmoins, cela met en évidence la direction que prend la compétition entre les modèles.

Lorsque les modèles de pointe se rapprochent en termes de qualité des références, le système environnant peut créer un avantage pratique :

• Optimisation du noyau et du compilateur
• Ordonnancement des requêtes
• Routage du mélange d'experts
• Quantification
• Gestion de la mémoire
• Mise en cache des invites
• Traitement par lots
• Code d'inférence spécifique au matériel
• Orchestration des agents
• Latence et fiabilité des outils

Pour les utilisateurs, cela signifie que les comparaisons de modèles devraient inclure plus qu'un simple score d'intelligence. Un modèle qui répond plus rapidement, produit moins de jetons, utilise efficacement le cache et accomplit des tâches avec moins de tentatives peut offrir une meilleure valeur réelle, même si un autre modèle domine sur un benchmark.

Démarrer avec l'API Grok 4.5

Grok 4.5 est disponible via l'API Responses de xAI. L'exemple Python suivant utilise l'interface client compatible OpenAI :

import os
from openai import OpenAI

api_key = os.environ.get("XAI_API_KEY")
if not api_key:
    raise RuntimeError("Définissez d'abord la variable d'environnement XAI_API_KEY.")

client = OpenAI(
    api_key=api_key,
    base_url="https://api.x.ai/v1",
)

response = client.responses.create(
    model="grok-4.5",
    input=(
        "Examinez cette fonction JavaScript, corrigez le bug, "
        "et expliquez le changement : "
        "function median(values) { values.sort(); "
        "return values[values.length / 2]; }"
    ),
)

print(response.output_text)

Avant d'utiliser le modèle en production :

1. Stockez la clé API dans une variable d'environnement ou un gestionnaire de secrets.
2. Ajoutez des délais d'attente et une gestion des tentatives.
3. Enregistrez l'utilisation des jetons et le coût total de la requête.
4. Validez les appels d'outils avant exécution.
5. Exigez une approbation pour les actions destructrices ou ayant un impact sur la production.
6. Épinglez une version de modèle datée lorsque le comportement déterministe est important.

FAQ

Qu'est-ce que Grok 4.5 ?

Grok 4.5 est le modèle de pointe de xAI pour le codage, les tâches agentiques et le travail de connaissance. Il prend en charge l'entrée de texte et d'images, le raisonnement configurable, l'appel de fonctions et les sorties structurées.

Quelle est la taille de la fenêtre de contexte de Grok 4.5 ?

La documentation officielle du modèle xAI répertorie une fenêtre de contexte de 500 000 jetons. La fenêtre de contexte réellement utilisable peut dépendre du format de la requête, de la sortie des outils et des limites spécifiques à la plateforme.

Combien coûte l'API Grok 4.5 ?

Le prix de base publié est de 2 $ par

1 million de tokens en entrée, 0,50 $ par million de tokens en entrée mis en cache, et 6 $ par million de tokens en sortie. Les variantes spécifiques à une plateforme ou les services prioritaires peuvent appliquer des tarifs différents.

Grok 4.5 est-il meilleur que Claude Opus pour le codage ?

La réponse dépend des critères de référence et du flux de travail. Grok 4.5 est compétitif sur plusieurs tests d'ingénierie et mène dans certaines comparaisons, tandis que d'autres modèles restent en tête sur d'autres aspects. La vitesse, l'utilisation des tokens, la fiabilité des outils et le coût d'achèvement des tâches doivent être évalués parallèlement aux scores des benchmarks.

Pourquoi Grok 4.5 est-il décrit comme efficace en termes de tokens ?

xAI rapporte que Grok 4.5 a utilisé en moyenne 15 954 tokens de sortie par tâche SWE-Bench Pro, contre 67 020 pour Opus 4.8 dans son réglage maximal. Cela représente environ 4,2 fois moins de tokens de sortie pour la charge de travail mesurée.

Grok 4.5 peut-il traiter des images ?

Oui. La page officielle du modèle répertorie l'entrée de texte et d'images avec une sortie de texte. Cela le rend adapté à des tâches telles que l'analyse de captures d'écran, la révision de documents et le contexte visuel dans un flux de travail agentique.

Grok 4.5 est-il disponible dans Cursor ?

Oui. Cursor indique que Grok 4.5 est disponible dans ses expériences de bureau, web, iOS, CLI et SDK. Les limites d'utilisation et les tarifs dépendent du plan Cursor sélectionné.

Grok 4.5 est-il adapté aux agents de production ?

Il peut être utilisé comme modèle de raisonnement au sein d'un agent de production, mais le système environnant nécessite toujours des contrôles d'autorisation, une validation, une observabilité, des tentatives et une approbation humaine pour les actions à fort impact. La force du benchmark ne supprime pas la nécessité de garde-fous opérationnels.

Outils connexes

• Console API xAI : Créez des clés API, gérez les crédits et accédez aux modèles xAI.
• Cursor : Un environnement de codage IA qui inclut Grok 4.5 sur plusieurs produits.
• Grok Build : L'environnement de codage agentique de xAI propulsé par Grok 4.5.
• SDK Python xAI : Le SDK Python officiel pour construire avec les modèles xAI.
• Bibliothèque Python OpenAI : Une bibliothèque cliente compatible qui peut appeler l'API xAI Responses via une URL de base personnalisée.

Liens connexes

• Présentation de Grok 4.5 : L'annonce officielle de lancement de xAI avec benchmarks, détails d'entraînement, vitesse et tarification.
• Documentation du modèle Grok 4.5 : Spécifications officielles pour la longueur du contexte, les modalités, les capacités et la tarification des tokens.
• Guide du développeur Grok 4.5 : Exemples officiels de l'API et conseils d'intégration.
• Tarification xAI : Tarification actuelle des modèles et de l'API de xAI.
• Cursor présente Grok 4.5 : L'explication de Cursor sur l'entraînement conjoint, les données d'interaction et l'apprentissage par renforcement.
• Modèles xAI : Le catalogue actuel des modèles xAI et les conseils de sélection de modèles.
• Notes de version xAI : Historique officiel des versions et mises à jour de configuration.

Résumé

Grok 4.5 est un modèle de pointe destiné au codage, aux agents et au travail de connaissance. Ses avantages pratiques les plus marquants sont

La combinaison de performances d'ingénierie compétitives, d'un service capable de délivrer jusqu'à 80 tokens par seconde, d'une fenêtre contextuelle de 500 000 tokens et d'une consommation moindre de tokens dans la comparaison publiée de SWE-Bench Pro.

L'approche d'entraînement combine une infrastructure à grande échelle, des données organisées, les traces d'interaction de Cursor et l'apprentissage par renforcement dans des environnements réalistes d'utilisation d'outils. Cela aide le modèle à passer de la génération de code isolée à des flux de travail plus longs et de bout en bout.

L'histoire principale n'est pas seulement que Grok est devenu plus performant ; c'est que xAI rivalise sur le coût total et la rapidité d'exécution des tâches réelles.