Grok 4.5 Spiegato: Benchmark di Codifica, 80 TPS, Efficienza dei Token e Prezzi API

Introduzione

Grok 4.5 riporta xAI in prima linea nella competizione dei modelli di codifica.

Rilasciato l'8 luglio 2026, il modello è progettato per l'ingegneria del software, attività agentiche e lavoro di conoscenza più ampio. È stato addestrato con Cursor ed è ora disponibile tramite l'API xAI, Grok Build e Cursor. Il punto principale non è solo la qualità del modello. Grok 4.5 è anche posizionato per un servizio più veloce, meno token generati e un costo inferiore per attività completata.

La documentazione ufficiale del modello elenca una finestra di contesto di 500.000 token, input di testo e immagini, ragionamento configurabile, chiamate di funzione, supporto per output strutturati e prezzi API di $2 per milione di token in input e $6 per milione di token in output.

Questo articolo spiega dove Grok 4.5 si comporta bene, come interpretare le sue affermazioni di efficienza, cosa è cambiato nell'addestramento e perché lo stack di inferenza circostante potrebbe diventare importante quanto il modello stesso.

[Immagine di tweet di Elon Musk, fondatore di SpaceX AI, pubblicato l'8 luglio 2026. Il tweet dice che, basandosi sul feedback positivo dei clienti nella fase di test, SpaceX AI rilascerà al pubblico domani la versione Grok 4.5. Il modello appartiene alla serie Opus, ma è più veloce, più efficiente e meno costoso. Il tweet mostra l'ora 14:21, data 8 luglio 2026, con 5,3 milioni di visualizzazioni. Questo tweet corrisponde al contenuto del documento che introduce il rilascio e le caratteristiche del modello Grok 4.5.]

Grok Ottiene il Proprio Modello di Codifica di Classe Opus

Grok 4.5 è il modello di punta di xAI per codifica, lavoro agentico e attività di conoscenza generali basate su computer. I materiali di lancio ufficiali lo descrivono come un modello in grado di gestire lavori di lunga durata, utilizzare strumenti, riprendersi da errori e verificare risultati invece di fermarsi dopo una singola risposta.

Questo lo colloca nella stessa ampia categoria dei modelli di fascia alta utilizzati per codifica autonoma, modifiche a livello di repository, ricerca tecnica, analisi dei dati e flussi di lavoro d'ufficio multi-step.

Specifiche Principali del Modello

Voce	Grok 4.5
Nome modello	grok-4.5
Casi d'uso principali	Codifica, attività agentiche, lavoro di conoscenza
Modalità di input	Testo e immagini
Modalità di output	Testo
Finestra di contesto	500.000 token
Ragionamento	Configurabile
Chiamate di funzione	Supportate
Output strutturati	Supportati
Prezzo input	$2 per 1M token
Prezzo input in cache	$0,50 per 1M token
Prezzo output	$6 per 1M token
Velocità di servizio dichiarata	Fino a 80 token al secondo
Disponibilità	API xAI, Grok Build, Cursor

La finestra di contesto di 500K è abbastanza grande per codebase sostanziali, documenti tecnici lunghi, indagini su più file e cronologie estese degli agenti. Una finestra di contesto ampia non garantisce automaticamente risultati migliori, ma offre agli strumenti più spazio per fornire materiale sorgente pertinente senza troncature aggressive.

Risultati dei Benchmark di Codifica

L'annuncio ufficiale di xAI pubblica i risultati su diverse valutazioni di ingegneria del software. Grok 4.5 non è il modello migliore su ogni benchmark, ma rimane competitivo con altri sistemi all'avanguardia.

Benchmark	Grok 4.5	Risultati di confronto selezionati
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% |

Questi numeri suggeriscono un modello particolarmente forte nel lavoro da terminale, nelle attività di ingegneria pratica e nei flussi di lavoro agentici più lunghi. Vanno comunque interpretati con cautela. Ambienti di benchmark, impostazioni di ragionamento, accesso agli strumenti e configurazioni specifiche del fornitore possono influenzare il risultato.

Cursor ha anche rivelato che una vecchia istantanea del codice di Cursor era accidentalmente presente nei dati di addestramento, il che potrebbe aver influenzato CursorBench. L'azienda ha escluso quel benchmark dal suo confronto pubblico e ha dichiarato che i dati non verranno utilizzati per modelli futuri.

Servizio Più Veloce e Minor Utilizzo di Token

L'affermazione più pratica riguardo a Grok 4.5 è l'efficienza.

xAI afferma che il modello viene servito fino a 80 token al secondo. È abbastanza veloce da rendere le lunghe tracce di ragionamento, le modifiche al repository e i cicli agentici iterativi più reattivi rispetto a modelli premium più lenti.

L'azienda riferisce anche che Grok 4.5 ha utilizzato una media di 15.954 token di output per attività SWE-Bench Pro, rispetto ai 67.020 token di output per Opus 4.8 alla sua impostazione massima. Ciò equivale a circa 4,2 volte meno token di output sul carico di lavoro misurato.

L'efficienza dei token è importante per tre motivi:

1. Latenza inferiore: meno token generati di solito significano che l'attività viene completata prima.
2. Costo API inferiore: i token di output sono spesso più costosi dei token di input.
3. Cicli agentici più brevi: un ragionamento conciso può ridurre il tempo speso per passare grandi cronologie tra gli strumenti.

La metrica importante non è semplicemente il prezzo per milione di token. I team dovrebbero confrontare il costo del completamento della stessa attività a un livello di qualità accettabile. Un modello con un prezzo per token più alto può comunque essere più economico se necessita di meno tentativi, meno chiamate agli strumenti o meno

token generati.

Prezzi dell'API

Il prezzo base dell'API è:

Tipo di token	Prezzo
Input	$2 per 1M di token
Input in cache	$0.50 per 1M di token
Output	$6 per 1M di token

Cursor elenca anche una variante più veloce a $4 per milione di token di input** e **$18 per milione di token di output all'interno della propria offerta di modelli. Prezzi e disponibilità possono variare a seconda della piattaforma, quindi i team di produzione dovrebbero confermare la tariffa nell'ambiente che utilizzano effettivamente.

Dalla generazione di codice ai flussi di lavoro completi

Grok 4.5 è progettato per fare molto più che completare una funzione o spiegare un errore. Gli esempi ufficiali includono:

• Costruire una simulazione del sistema solare da un unico prompt
• Creare applicazioni web end-to-end
• Produrre slide PowerPoint con forme native
• Costruire modelli di fogli di calcolo multi-foglio
• Lavorare su compiti di ingegneria del software, finanza, ambito legale e ricerca
• Utilizzare strumenti in sessioni di agenti a lunga durata

La demo del sistema solare è utile perché combina design, codice front-end, rendering 3D, controlli e logica di interazione. Non è una prova che ogni applicazione generata da un singolo prompt sia pronta per la produzione, ma mostra il tipo di compito integrato per cui il modello è ottimizzato.

Grok 4.5 si estende anche al lavoro d'ufficio. Nei materiali di lancio, crea slide strutturate per revisioni aziendali e lavora con fogli di calcolo che coinvolgono formule, ricerche web e più fogli.

Per i team di sviluppo, un flusso di lavoro pratico potrebbe essere il seguente:

1. Fornirea Grok 4.5 il contesto del repository e un compito ben definito.
2. Lasciarlo ispezionare i file, implementare la modifica ed eseguire i comandi di validazione.
3. Richiedere un riepilogo conciso delle modifiche e prove dai test.
4. Revisionare la patch con un umano o un secondo modello prima di fare il merge.
5. Mantenere il deployment in produzione e le operazioni sensibili dietro un'approvazione esplicita.

Un modello può essere veloce e capace, ma comunque produrre ipotesi errate, modifiche non sicure o validazione incompleta. Il miglior utilizzo dei modelli di codifica agentici è solitamente l'automazione strutturata con prove visibili, non l'autonomia senza restrizioni.

I guadagni di efficienza arrivano da una strategia di training diversa

I guadagni di efficienza non sono presentati come una semplice ottimizzazione del servizio. Sia xAI che Cursor descrivono cambiamenti nell'architettura del modello, nella preparazione dei dati, nell'apprendimento per rinforzo e nel training distribuito.

Mixture-of-Experts

Architettura

Cursor descrive Grok 4.5 come un modello misto di esperti. In un sistema MoE, solo una parte della rete viene attivata per un determinato token o compito. Ciò può aumentare la capacità totale del modello senza richiedere che ogni parametro partecipi a ogni passaggio di inferenza.

Le fonti ufficiali non pubblicano dettagli di implementazione sufficienti per calcolare il calcolo esatto utilizzato per token. È quindi più accurato concentrarsi sul comportamento misurato (velocità, qualità dei benchmark e consumo di token) piuttosto che inferire le prestazioni da un conteggio di parametri non verificato.

Addestramento su scala GB300

xAI afferma che Grok 4.5 è stato addestrato su decine di migliaia di GPU NVIDIA GB300. L'addestramento su questa scala richiede più della semplice potenza hardware grezza. Le esecuzioni lunghe necessitano di sistemi distribuiti stabili, ripristino da checkpoint, networking, pipeline di dati e monitoraggio in grado di mantenere produttive migliaia di acceleratori.

L'annuncio enfatizza le tecniche di stabilità progettate per esecuzioni di addestramento molto ampie. Questo è importante perché un guasto in un esperimento lungo può sprecare una grande quantità di calcolo se il sistema non riesce a riprendersi in modo efficiente.

Densità dei dati migliorata, non solo più token

La pipeline di addestramento includeva:

• Deduplicazione su larga scala
• Valutazione della qualità
• Filtraggio incentrato sul dominio
• Selezione di dati ad alto segnale
• Una gamma più ampia di materiali di programmazione, scienza, ingegneria, matematica e lavoro conoscitivo

L'obiettivo è migliorare la densità dei segnali di addestramento utili invece di fare affidamento solo sul volume grezzo di token. I dati ripetuti, di bassa qualità o debolmente rilevanti possono aumentare il costo di addestramento senza fornire lo stesso miglioramento degli esempi accuratamente selezionati.

Dati di interazione di Cursor

Cursor afferma che il modello è stato addestrato con miliardi di miliardi di token di dati di Cursor. Secondo l'azienda, il set di dati cattura le interazioni tra utenti, codebase, strumenti software e agenti.

Questa distinzione è importante. Un set di dati solo di codice insegna sintassi, pattern, librerie e implementazioni comuni. I dati di interazione possono anche insegnare la sequenza del lavoro:

• Come gli sviluppatori ispezionano un repository sconosciuto
• Quali file aprono prima di apportare una modifica
• Come rispondono ai fallimenti dei test
• Quando usano i comandi del terminale
• Come rivedono una patch dopo il feedback
• Come un agente interagisce con gli strumenti e il suo ambiente

Ciò aiuta a spiegare perché Grok 4.5 è posizionato intorno all'ingegneria del software piuttosto che al completamento isolato del codice.

Apprendimento per rinforzo su compiti difficili e realistici

xAI afferma che il suo programma di apprendimento per rinforzo copre centinaia di migliaia di compiti, con un focus sull'ingegneria del software multi-step e altri lavori tecnici.

Cursor descrive ambienti che addestrano il modello a:

1. Esplorare il problema
2. Usare gli strumenti
3. Riprendersi dagli errori
4. Verificare il risultato
5. Continuare a lavorare su orizzonti di compiti lunghi

Le aziende hanno anche costruito sistemi di agenti distribuiti per generare, testare e perfezionare questi ambienti di addestramento su larga scala. Alcuni dispiegamenti di agenti possono funzionare per ore mentre il processo di addestramento più ampio continua in modo asincrono.

Questo è un cambiamento significativo rispetto all'ottimizzazione ristretta dei benchmark. Il modello viene addestrato non solo per produrre una risposta finale corretta, ma per navigare il processo che porta a essa.

a uno.

Un'altra cosa: l'ingegneria dei sistemi potrebbe essere il prossimo campo di battaglia

I pesi del modello sono solo una parte del prodotto finale.

Una dichiarazione pubblica di Elon Musk ha affermato che Grok 4.5 non stava ancora utilizzando il software di inferenza C/C++ sviluppato internamente da xAI e mappato specificamente sull'hardware GB300. Ha suggerito che lo stack ottimizzato potrebbe potenzialmente raddoppiare la velocità di servizio o migliorarla ulteriormente.

Questa è un'affermazione lungimirante piuttosto che un risultato di produzione misurato, quindi non dovrebbe essere trattata come una prestazione garantita. Tuttavia, evidenzia la direzione verso cui si sta muovendo la competizione tra modelli.

Quando i modelli all'avanguardia diventano più vicini nella qualità dei benchmark, il sistema circostante può creare il vantaggio pratico:

• Ottimizzazione del kernel e del compilatore
• Pianificazione delle richieste
• Routing mixture-of-experts
• Quantizzazione
• Gestione della memoria
• Caching dei prompt
• Elaborazione batch
• Codice di inferenza specifico per hardware
• Orchestrazione degli agenti
• Latenza e affidabilità degli strumenti

Per gli utenti, ciò significa che i confronti tra modelli dovrebbero includere più di un singolo punteggio di intelligenza. Un modello che risponde più velocemente, produce meno token, utilizza la cache in modo efficace e completa le attività con meno tentativi potrebbe offrire un valore reale migliore anche quando un altro modello è in testa in un benchmark.

Per iniziare con l'API di Grok 4.5

Grok 4.5 è disponibile tramite l'API Responses di xAI. Il seguente esempio in Python utilizza l'interfaccia client compatibile con OpenAI:

import os
from openai import OpenAI

api_key = os.environ.get("XAI_API_KEY")
if not api_key:
    raise RuntimeError("Imposta prima la variabile d'ambiente 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=(
        "Esamina questa funzione JavaScript, correggi il bug "
        "e spiega la modifica: "
        "function median(values) { values.sort(); "
        "return values[values.length / 2]; }"
    ),
)

print(response.output_text)

Prima di utilizzare il modello in produzione:

1. Archivia la chiave API in una variabile d'ambiente o in un gestore di segreti.
2. Aggiungi timeout e gestione dei tentativi.
3. Registra l'utilizzo dei token e il costo totale della richiesta.
4. Convalida le chiamate agli strumenti prima dell'esecuzione.
5. Richiedi l'approvazione per azioni distruttive o che influiscono sulla produzione.
6. Blocca una versione del modello datata quando il comportamento deterministico è importante.

FAQ

Cos'è Grok 4.5?

Grok 4.5 è il modello all'avanguardia di xAI per attività di codifica, agentive e di lavoro conoscitivo. Supporta input di testo e immagini, ragionamento configurabile, chiamate di funzioni e output strutturati.

Quanto è grande la finestra di contesto di Grok 4.5?

La documentazione ufficiale del modello xAI elenca una finestra di contesto di 500.000 token. Il contesto effettivamente utilizzabile può dipendere dal formato della richiesta, dall'output dello strumento e dai limiti specifici della piattaforma.

Quanto costa l'API di Grok 4.5?

Il prezzo base pubblicato è di $2 per

milioni di token di input, $0,50 per milione di token di input in cache e $6 per milione di token di output. Varianti specifiche della piattaforma o priorità di servizio potrebbero utilizzare tariffe diverse.

Grok 4.5 è migliore di Claude Opus per la programmazione?

La risposta dipende dal benchmark e dal flusso di lavoro. Grok 4.5 è competitivo in diversi test di ingegneria e guida alcuni confronti, mentre altri modelli rimangono avanti in altri. Velocità, utilizzo dei token, affidabilità degli strumenti e costo di completamento delle attività dovrebbero essere valutati insieme ai punteggi dei benchmark.

Perché Grok 4.5 è descritto come efficiente in termini di token?

xAI riporta che Grok 4.5 ha utilizzato in media 15.954 token di output per attività SWE-Bench Pro, rispetto ai 67.020 di Opus 4.8 alla sua impostazione massima. Ciò equivale a circa 4,2 volte meno token di output per il carico di lavoro misurato.

Grok 4.5 può elaborare immagini?

Sì. La pagina ufficiale del modello elenca input di testo e immagine con output di testo. Questo lo rende adatto per attività come analisi di screenshot, revisione di documenti e contesto visivo all'interno di un flusso di lavoro di agenti.

Grok 4.5 è disponibile in Cursor?

Sì. Cursor afferma che Grok 4.5 è disponibile nelle sue esperienze desktop, web, iOS, CLI e SDK. I limiti di utilizzo e i prezzi dipendono dal piano Cursor selezionato.

Grok 4.5 è adatto per agenti di produzione?

Può essere utilizzato come modello di ragionamento all'interno di un agente di produzione, ma il sistema circostante necessita comunque di controlli delle autorizzazioni, validazione, osservabilità, tentativi e approvazione umana per azioni ad alto impatto. La forza del benchmark non elimina la necessità di garanzie operative.

Strumenti correlati

• Console API xAI: Crea chiavi API, gestisci crediti e accedi ai modelli xAI.
• Cursor: Un ambiente di programmazione AI che include Grok 4.5 in più prodotti.
• Grok Build: L'ambiente di programmazione agentica di xAI basato su Grok 4.5.
• SDK Python xAI: Il SDK Python ufficiale per sviluppare con i modelli xAI.
• Libreria Python OpenAI: Una libreria client compatibile che può chiamare l'API xAI Responses tramite un URL di base personalizzato.

Link correlati

• Presentazione di Grok 4.5: L'annuncio ufficiale di xAI con benchmark, dettagli di addestramento, velocità e prezzi.
• Documentazione del modello Grok 4.5: Specifiche ufficiali per lunghezza del contesto, modalità, capacità e prezzi dei token.
• Guida per sviluppatori Grok 4.5: Esempi ufficiali dell'API e indicazioni per l'integrazione.
• Prezzi xAI: Prezzi attuali del modello e dell'API da xAI.
• Cursor introduce Grok 4.5: La spiegazione di Cursor sull'addestramento congiunto, i dati di interazione e l'apprendimento per rinforzo.
• Modelli xAI: Il catalogo attuale dei modelli xAI e le indicazioni per la selezione.
• Note di rilascio xAI: Cronologia ufficiale dei rilasci e aggiornamenti di configurazione.

Riepilogo

Grok 4.5 è un modello di frontiera mirato alla programmazione, agli agenti e al lavoro di conoscenza. I suoi vantaggi pratici più forti sono

la combinazione di prestazioni ingegneristiche competitive, fino a 80 token al secondo in fase di servizio, una finestra di contesto di 500K token e un consumo ridotto di token nel confronto pubblicato su SWE-Bench Pro.

L'approccio formativo combina infrastrutture su larga scala, dati curati, tracce di interazione con Cursor e apprendimento per rinforzo in ambienti realistici di utilizzo di strumenti. Ciò aiuta a spostare il modello dalla generazione isolata di codice a flussi di lavoro più lunghi e completi.

La notizia principale non è solo che Grok è diventato più capace; è che xAI sta competendo sul costo totale e sulla velocità di completamento di lavori reali.