聪明世界#46
编程很强自报
记性500K
便宜$6.0
记性换算成体感：一次能读完《三体》三部曲
Grok 系列的视觉模型 · 按发布时间
共 16 个 · 这里是相邻的 7 个 · xAI的全部模型 →她的房间
电脑
64.7% · SWE-Bench Pro · 厂商系统卡自评，未经第三方复核
书架
4 层 · 记忆 500K tokens
黑板
数学与科学推理
日历
知识截止日期未公开
冰箱
支持上下文缓存，能存记忆
门禁
闭源，权重不公开
身世
- 发布日期
- 2026 年 7 月 8 日models.dev
- 知识截止
- 暂无数据
- 参数量
- 体型为估算值，官方从未公布参数量
- 开放权重
- 否
- 开源许可
- 暂无数据
- 上下文窗口
- 500K tokens
- 单次最大输出
- 500K
- 输入价格
- $2.00 / 百万 tokens
- 输出价格
- $6.00 / 百万 tokens
- 模型类型
- 视觉除了文字还能看图片或视频，输出文字
- 支持的输入
- 图像、文字 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 154.1
- AIME 数学
- 97.8%
- GPQA Diamond 科学
- 93.4%
- ARC-AGI-2 抽象推理
- 52.6%
- Fiction.liveBench 长文本
- 未参评
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。
编程战绩（按赛制分列）
- SWE-bench 多语言版78.0%把 SWE-bench 的题目扩展到 Python 以外的语言，考的是跨语言的工程能力。厂商自报https://x.ai/news/grok-4-5
- SWE-Bench Pro64.7%同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报https://x.ai/news/grok-4-5
- SWE-Marathon29.0%超长时程的软件工程任务，一道题要连续工作很久，考的是耐力与不跑偏。厂商自报https://x.ai/news/grok-4-5
- DeepSWE53.8%SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测https://deepswe.datacurve.ai/
- Terminal-Bench83.3%把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报https://x.ai/news/grok-4-5
- FrontierCode42.4%Cognition 出的高难度代码题集，面向前沿模型。第三方实测https://cognition.com/frontiercode
- LiveBench 2.0 编程94.0%LiveBench 2.0 的编程分项：不是做题，而是接 API、写 Agent 循环、接云基础设施、做计费与限额这类真活儿。2.0 换了评测方式（长程任务、产物评审），与旧版 LiveBench 编程分不是同一把尺子，分数不可直接比较。第三方实测https://livebench.ai/?release=20261014
- ALE-Bench1309AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测https://epoch.ai/benchmarks
- WebDev Arena1555 Elo让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测https://epoch.ai/benchmarks
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。
全部成绩（按榜单分列）
名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力154.1第 46 / 225Epoch Capabilities Index，把十几项学术评测归并成一个总分。想看综合实力，先看这一栏。第三方实测https://epoch.ai/benchmarks
- LiveBench 2.0 综合70.8%第 23 / 48LiveBench 2.0 七个长程任务分类的等权均分——这个总分由本站计算，上游并不发布。第三方实测https://livebench.ai/?release=20261014
- SimpleBench70.0%第 11 / 105一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测https://simple-bench.com/
数学
- FrontierMath57.2%第 49 / 112由职业数学家出的原创难题，连数学博士都要花几小时甚至几天。分数是解出的比例，能过一成就是前沿水平。第三方实测https://epoch.ai/frontiermath
- FrontierMath 第四层24.4%第 45 / 84FrontierMath 里最难的一层，研究级别的问题，绝大多数模型接近零分。第三方实测https://epoch.ai/frontiermath
- AIME 数学97.8%第 30 / 211美国高中数学邀请赛难度的模拟题，是数学竞赛能力的通行标尺。答对比例，满分 100。第三方实测https://epoch.ai/benchmarks
- ProofBench31.0%第 47 / 96不是算出答案，而是写出完整证明并由人评判。考的是数学推理的严谨程度。第三方实测https://www.vals.ai/benchmarks/proof_bench
知识与推理
- GPQA 科学93.4%第 15 / 214博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测https://epoch.ai/benchmarks
- ARC-AGI-252.6%第 44 / 120看几组图形样例找规律的智力题，人类轻松、模型艰难。专门测「没见过的题会不会做」。第三方实测https://epoch.ai/benchmarks
- 带引用的研究86.7%第 6 / 48监管、法律、财税、科研五类检索与研判任务，答案要带得住核验的出处。第三方实测https://livebench.ai/?release=20261014
- ARC-AGI（第一代）87.2%第 43 / 119ARC-AGI 的第一代题库，已被第二代取代。第三方实测https://arcprize.org/
- 数据分析73.0%第 31 / 48从表格里认事件、连表、把一种格式转成另一种格式。第三方实测https://livebench.ai/?release=20261014
- SimpleQA 事实问答48.3%第 33 / 108一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
- CritPt 物理15.4%第 38 / 180研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
- WeirdML46.4%第 67 / 151一批刻意古怪的小型机器学习任务，模型要自己写代码训练并拿到成绩。考的是解决陌生问题的能力。第三方实测https://htihle.github.io/weirdml.html
智能体
- 长程任务28.5%第 35 / 48跑几个月的运维、财务合规、电商运营这类长线任务，看模型能不能一直把事做对。第三方实测https://livebench.ai/?release=20261014
- 浏览器操作48.4%第 32 / 48在真实网页里点选、翻页、汇总信息，考验 agent 是不是真的会用浏览器。第三方实测https://livebench.ai/?release=20261014
- 经营售货机$3,887第 43 / 100Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测https://andonlabs.com/evals/vending-bench
- 联网搜索竞技场1216 Elo第 8 / 13带联网能力的模型回答时效性问题，真人盲选谁查得准、答得实在。第三方实测https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset
- APEX 专业任务56.2%第 18 / 64投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
- PostTrainBench23.4%第 9 / 11让模型自己去微调一个更小的模型，考的是「会不会炼丹」。第三方实测
- BlueprintBench27.3%第 20 / 38看房屋照片画出平面图，测空间理解与工程绘图能力。第三方实测https://andonlabs.com/evals/blueprint-bench-2
- Surface Evolver74.4%第 8 / 34用一款专业的曲面数值软件完成计算任务，考的是驾驭陌生专业工具的能力。第三方实测https://yhenon.github.io/surface-evolver-llm-eval/
长文本
- 文档理解竞技场1452 Elo第 16 / 42丢一份文档进去提问，真人盲选谁读得更明白。第三方实测https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset
多模态
- GBA 游戏评测65.4%第 4 / 23看画面操作掌机游戏，测的是视觉理解加实时决策。第三方实测https://gbaeval.com/model/grok-4-5
游戏与谜题
- 国际象棋残局35.0%第 50 / 107给一个棋局找出最佳着法。分数是解对的比例，随机乱走约 5 分。第三方实测https://epoch.ai/benchmarks/chess-puzzles
- 推理谜题87.2%第 25 / 48心理理论、斑马谜题、空间推理这类不靠背题的死磕题。第三方实测https://livebench.ai/?release=20261014
写作
- 文档与排版77.9%第 21 / 48产出 Word 文档、PDF、PPT 三类成品，看内容组织与版式。第三方实测https://livebench.ai/?release=20261014
其他
- Dtbench96.5%第 12 / 222Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/dtbench
- Furniture Assembly22.5%第 34 / 40Epoch AI 收录的评测，暂无中文说明。第三方实测
- Lmca45.2%第 43 / 206Epoch AI 收录的评测，暂无中文说明。第三方实测https://conceptualreasoning.ai/lmca
B 站上的 Grok 4.5 实测3 个视频
在 B 站搜「Grok 4.5 测评」↗
03:23Grok 4.5真的能对标Fable 5 GPT5.6吗？--实测寒冰巨魔95272026.07.10·1.5 万播放
02:23Grok 4.5 测评报告！真的能打吗？AI产品狙击手2026.07.09·1.1 万播放
03:07Grok 4.5：新的御三家之一，实力如何？AI 六项能力测试无机酸-_-2026.08.10·2665播放
以上为 B 站搜索结果，按播放量排（站长的视频置顶），内容由各 UP 主提供，不代表本站观点。