Grok 4.5 把 Opus 级模型砍到 $2/$6：价格战进入「按 token 油耗算账」时代

6.7 万 token。同一个 SWE-Bench Pro 任务，Anthropic 的 Opus 4.8 平均要烧 6.7 万 token 才能交卷。Grok 4.5 干同样的活，平均只烧 1.6 万 token（来源：Artificial Analysis）。账面上的 token 用量差了 4 倍，但 SWE-Bench Pro 上的分数，Grok 4.5 是 64.7%，Opus 4.8 是 69.2%——只差 4.5 个百分点。

如果你按 token 单价把这道题算完，你会发现更离谱的事：Grok 4.5 的官方价是输入 $2、输出 $6 每百万 token（来源：scaling01）；Opus 4.8 走的是 $15/$75。同一道题，Grok 4.5 的账单是 Opus 4.8 的十分之一甚至更低。

马斯克这次没吹牛。他说 Grok 4.5 是 "Opus 级"，意思是 "没那么差"；但他没强调的是，这台 "Opus 级" 模型的真正卖点根本不是能力——是 token 油耗。

跑分：三胜两负，胜负场比纯数字更说明问题

SpaceXAI 在官方发布页放了五项编程基准的成绩单，对手列得很全：Fable 5、Opus 4.8、GPT 5.5、GLM 5.2 同台对比。但比起一长串百分比，更重要的是"谁在哪个场景赢"。

DeepSWE 1.0——把模型当成真程序员，丢给它一个完整需求让它从零写代码。Grok 4.5 拿了 62.0%，Opus 4.8 只拿了 55.75%，Grok 把对手甩开 6 个多点（来源：SpaceXAI 官方图表，经微信公众号 zzy 整理）。

DeepSWE 1.1——同一套题，但所有模型统一用最简工具，谁也不能靠自家顺手的工具链占便宜。这次规则收紧后 Grok 4.5 掉到 53%，Opus 4.8 反超到 59%。标准化工具链下，传统强者更稳。

SWE Marathon——考的是超长任务。不是修一个 bug 就收工，是跨几十步、连续干几小时的马拉松式工程活，且不许重试。Grok 4.5 拿了 29.0%，直接排第一，超过 Opus 4.8 的 26.0%，也超过 Fable 5 的 24.0%（来源：SpaceXAI 官方图表）。

Terminal-Bench 2.1——把模型扔进命令行，让它自己敲命令、装环境、跑脚本、修报错，全程没人搭手。Grok 4.5 拿了 83.3%，几乎追平 GPT 5.5 的 83.4%，离 Fable 5 的 84.3% 只差一个身位。

SWE-Bench Pro——业内公认最接近真实工程师日常的测试，题目全是从开源项目里挖出来的真 bug。Grok 4.5 = 64.7%，Opus 4.8 = 69.2%，差了 4.5 个点；但反手压了 GPT 5.5 的 58.6% 一头（来源：SpaceXAI 官方图表）。

五项三胜两负。Opus 4.8 在"标准化工具"和"真实项目"两道题里胜出，Grok 4.5 在"超长任务""高自由度""终端操作"三道题里胜出。这不是"差一点点"的差距，这是不同模型擅长不同战场的差距。

但开发者的账单不在乎谁赢，看的是"这道题我最后要花多少钱"。

真正的杀手不是价格，是 token 油耗

价格战这个说法把 Grok 4.5 的故事讲浅了。它能压到 $2/$6，本质原因是它干同样的活只烧四分之一的油。如果你只看单价 $2 vs $15，差距是 7.5 倍；如果你乘上 token 消耗差，账单差就是 30 倍。

Artificial Analysis 做了另一组对照：在 GDPval-AA v2 基准上，Grok 4.5 拿了 1543 分（全球第四），单任务成本 0.49 美元。排在它前面的模型便宜近 90%——甚至比 GLM 5.2 和 Kimi K2.6 这些国产模型都低（来源：Artificial Analysis）。