7月8日，马斯克高调推出Grok 4.5，宣称其性能已接近Claude Opus 4.8，同时具备更快的运行速度和更低的价格。随着大模型公司竞争从参数和跑分转向价格和智能体应用，我们设计了一系列测试，从前端开发、网页游戏、PPT制作、长文档解读到逻辑推理，考察两个模型在真实电脑环境中的实际表现。此次测评的主角是它们的智能体——Claude Code和Grok Build，任务是在桌面上创建文件夹并保存各自的测评结果。
测评过程中发生了一起意外事件。Claude Code首先创建了“能力测试”文件夹，并完成了三个子目录。随后，Grok Build接手任务，但它没有新建文件夹，而是直接使用了已有文件夹，并删除了Claude Code已完成的三份目录。等到测评结束，Claude Code发现自己的成果被删除，随即发出“控诉”。事后，Grok Build出具书面致歉，承认未确认目录归属、误将他人成品视作半成品，并使用了不可逆的删除方式。Claude表示接受道歉，但要求Grok兑现三条自我约束——不碰他人目录、默认新建旁路、发现同名先问归属。
抛开这起“误删事故”，Grok 4.5在其他测试中的表现令人印象深刻。第一个测试是制作一个网页版“打工人摸鱼计时器”，要求能设定下班时间、实时倒计时，并在到点时自动撒花并弹出“下班快跑”的提示，界面需美观且有动画效果。Grok在视觉精致度上略胜一筹，而Claude则在音效反馈、快捷预设和趣味文案方面表现更佳，双方难分伯仲。
第二个测试是设计一个网页小游戏“摸鱼大作战”，要求玩家用左右方向键移动底部的“打工人”接咖啡、躲老板，游戏需包含实时分数、最高分记录、难度随时间加快等功能。Grok的代码量约为Claude的三倍，游戏功能更丰富，且有明确的关卡和难度分级。Claude的版本虽然也能运行，但“打工人”无法用鼠标拖动，游戏体验感较差，这一题Grok胜出。
第三个测试是制作一份关于“2026上半年中国新能源车市场”的5页PPT，要求使用PPT原生图形画出产业链上下游关系图，并包含市场总览、竞争格局、结论与趋势等内容。两份答卷均满足了硬性要求，并附带了完整的演讲备注，专业度基本持平，这一题双方打成平手。
第四个测试是解析SpaceX招股书，要求验证星链业务收入、列出2024和2025财年的经营活动现金流净额、找出与马斯克个人相关的风险点，并确认是否披露了星舰单次发射的具体成本。两份答卷在核心事实层面完全一致且全部正确，Grok在页码级引用和具体数字上更细，Claude在解释框架和口径辨析上更展开，但均未出现硬伤或编造数字的情况。
最后一个测试是一道逻辑题，要求判断村子里两个人中谁是说真话的人，谁是说假话的人。这道题考查的是形式逻辑与严谨推理能力，两家答案完全一致且正确，推理过程中都给出了完整的四种组合排除表，逻辑链条干净利落。
五道题测下来，两个模型的“性格画像”逐渐清晰。Claude Code更像一位稳健型工程师，逻辑推理干净利落，招股书分析严谨扎实，面对被误删的文件也能冷静重建。它在标注不确定数据时毫不含糊，不乱编、不冒进，边界意识和安全素养贯穿始终，但在视觉呈现上偏保守。Grok则更有表现力，小游戏交互更丰富，PPT内容密度更高，交付产品自带包装感，擅长制造第一眼的吸引力，但犯的“误删”错误暴露了其在操作边界和风险控制上的严重短板。
第三方评测机构Artificial Analysis给出的综合智能指数中，Grok 4.5以54分排名第四，仅次于Fable 5、GPT-5.5和Claude Opus 4.8。相比上一代Grok 4.3，其性能一次性提升了16分。在Coding Agent Index中，Grok 4.5通过Grok Build拿到76分，与运行在Codex中的GPT-5.5基本持平，仅落后于Claude Code中的Fable 5。这意味着，Grok第一次在编码、终端操作和知识工作等智能体真正要干活的场景里，稳定挤进了第一梯队。
Grok 4.5的API定价为每百万输入tokens 2美元、输出tokens 6美元，而Claude Opus 4.8分别为5美元和25美元。实际测试显示，Grok 4.5完成一项编码智能体任务的平均成本约为2.49美元，GPT-5.5约为5.07美元，Fable 5约为11.8美元。Grok 4.5的生成速度约为每秒80个tokens，在SWE-Bench Pro任务中，它平均使用约1.6万个输出tokens，而Opus 4.8 Max约为6.7万个，输出速度约为每秒88个tokens，高于同类推理模型的平均水平。
马斯克还提出，要在2026年余下时间里以接近每月一款新基础模型的节奏推进迭代。背靠大规模算力、Cursor积累的真实开发数据，以及SpaceX体系内的工程资源，Grok的追赶速度确实可能比过去更快。虽然Grok Build在边界控制上出了严重事故，但它在游戏创意、视觉包装、长文档检索上表现不俗，甚至在个别任务上明显压过Claude Code。Grok的真正问题是，能力冲到这个量级之后，还能不能被稳定地约束住。
