Grok 4.5 im Test: SpaceXAI stärkstes Coding-Modell – „Opus-Niveau zum Viertelpreis“: Marketing oder Substanz?
Am 8. Juli 2026 veröffentlichte Elon Musks SpaceXAI Grok 4.5 – das erste Flaggschiff nach dem Börsengang. Auf X versprach Musk: „Ein Opus-Klasse-Modell, aber schneller, token-effizienter und günstiger.“ Für Engineering-Teams und Cursor-Nutzer, die AI-Kosten im Griff behalten wollen, fassen wir alle öffentlichen Benchmarks, Preisdetails, echte Coding-Vergleiche, fünf Plattform-Zugänge und eine Entscheidungsmatrix zusammen – damit Sie den Wechsel fundiert bewerten können.
Inhaltsverzeichnis
Schmerzpunkte: Warum Engineering-Teams jetzt das Modell-Routing neu bewerten müssen
- Explodierende Agent-Kosten: Claude Fable 5 / Claude Code kostet im Schnitt ~$11,80 pro Coding-Agent-Task; bei Hunderten Läufen täglich summiert sich das auf sechsstellige Monatsrechnungen – der CFO fragt nach ROI.
- Benchmarks vs. echte Rechnung: Platz eins auf einer Liste heißt nicht automatisch günstig – bei 4,2× Unterschied im Output-Token-Verbrauch können APIs mit ähnlichem Listenpreis um Größenordnungen auseinanderliegen.
- Vertrauen in Launch-Daten: CursorBench wurde wegen Trainingsdaten-Kontamination zurückgezogen – Teams brauchen unabhängige Drittdaten (DeepSWE neutraler Harness, TryAI Live-Tests) für Beschaffungsentscheidungen.
I. Was ist Grok 4.5?
Grok 4.5 ist SpaceXAI bisher stärkstes Modell, tief optimiert für:
- Coding & Code-Agenten: Bugfixes, große Refactorings, End-to-End-App-Entwicklung
- Agentische Workflows: Mehrschritt-Automatisierung über Tools und Apps hinweg
- Wissensintensive Arbeit: Recht, Medizin, Bildung, Datenanalyse
Neu: Co-Training mit Cursor – Billionen Tokens echter Entwickler-Interaktionen (Code-Review, Debugging, Agent-Codebase-Logs). SpaceX schloss im Juni 2026 den Kauf von Anysphere (Cursor-Mutter) ab; dieses Co-Training ist eines der ersten sichtbaren Ergebnisse.
Kernspezifikationen
| Parameter | Wert |
|---|---|
| Architektur | Mixture of Experts (MoE) |
| Kontextfenster | 500.000 Tokens (500K) |
| Reasoning-Modus | Niedrig / Mittel / Hoch (Standard: Hoch) |
| Inferenzgeschwindigkeit | Offiziell 80 TPS, gemessen ~90–110 TPS |
| Trainings-Hardware | Zehntausende NVIDIA GB300 GPUs (Memphis-Rechenzentrum) |
| Parameterzahl | Nicht veröffentlicht (MoE) |
| API-Regionen | us-east-1, us-west-2 (EU voraussichtlich Mitte Juli) |
| Rate Limits | 150 req/s, 50M tokens/min |
II. Preise: Wie viel günstiger ist es wirklich?
API-Einzelpreise
| Modell | Input (pro 1M Tokens) | Output (pro 1M Tokens) |
|---|---|---|
| Grok 4.5 | $2,00 | $6,00 |
| Grok 4.5 (Cache-Hit) | $0,50 | — |
| Grok 4.5 Fast | $4,00 | $18,00 |
| Claude Opus 4.7 | $5,00 | $25,00 |
| Claude Fable 5 | Höher | Höher |
| GPT-5.6 Sol (Flagship) | $5,00 | $30,00 |
| GPT-5.6 Luna (Economy) | $1,00 | $6,00 |
Echte Task-Kosten (Coding-Agent)
| Modell / Plattform | Ø Tokens pro Task | Ø Kosten pro Task |
|---|---|---|
| Grok 4.5 / Grok Build | ~1,9M Tokens | $2,49 |
| GPT-5.5 / Codex | ~6,2M Tokens | $5,07 |
| Claude Fable 5 / Claude Code | ~7,2M Tokens | $11,80 |
Bei 500 Agent-Tasks/Tag: Grok 4.5 ~ $1.245/Tag, Claude Code ~ $5.900/Tag – die Lücke skaliert mit der Aufrufhäufigkeit.
Bei SWE-Bench Pro verbraucht Grok 4.5 im Schnitt 15.954 Output-Tokens pro Lauf, Claude Opus 4.8 67.020 – Faktor 4,2.
III. Benchmarks: Stärken und Schwächen
3.1 Coding-Benchmarks
| Benchmark | Grok 4.5 | Claude Fable 5 | Claude Opus 4.8 | GPT-5.5 |
|---|---|---|---|---|
| DeepSWE 1.0 (Vendor-Harness) | 62,0 % | 66,1 % | 55,75 % | 64,31 % |
| DeepSWE 1.1 (neutraler Harness) | 53 % | 70 % | 59 % | 67 % |
| Terminal Bench 2.1 | 83,3 % | 84,3 % | 78,9 % | 83,4 % |
| SWE-Bench Pro (Resolve Rate) | 64,7 % | 80,4 % | 69,2 % | 58,6 % |
Einordnung: DeepSWE 1.0 mit Vendor-Harness: Grok 4.5 Platz 3; mit neutralem Harness fällt es auf Platz 4, Fable 5 +17 PP vorn. Terminal Bench 2.1: alle Top-Modelle innerhalb 5,4 PP – quasi Gleichstand. SWE-Bench Pro (strengster Test): Grok 4.5 Platz 3, ~16 PP hinter Fable 5.
⚠️ Wichtig: CursorBench wurde beim Launch zurückgezogen – Cursor-Codebase-Snapshots gelangten versehentlich in Grok-4.5-Trainingsdaten (Kontaminationsrisiko). Ein sichtbarer Makel dieses Releases.
3.2 Agent-Benchmarks (Grok-4.5-Stärke)
| Benchmark | Grok 4.5 | Claude Fable 5 | Claude Opus 4.8 |
|---|---|---|---|
| AutomationBench-AA (657 Enterprise-Workflows) | 51,4 % 🥇 | 48,6 % | 48,5 % |
| Snorkel GDPVal+ (professionelle Szenarien) | 29 % 🥇 | — | 21 % |
AutomationBench-AA simuliert 40 Enterprise-Apps (Gmail, Slack, Salesforce, HubSpot …). Grok 4.5 ist das erste Modell, das über die Hälfte der Workflow-Ziele ohne Verstoß gegen Business-Constraints erreicht. Snorkel: Grok 4.5 führt deutlich in Recht (40 % vs 27–28 %), Bildung (58 % vs 35–42 %), Medizin (35 % vs 23–25 %).
3.3 Gesamt-Intelligenzindex
Artificial Analysis Intelligence Index: 54 Punkte (Platz 4) – hinter Fable 5 (60), Opus 4.8 (56), GPT-5.5 (55), aber +16 vs. Vorgänger-Grok.
IV. Echter Coding-Vergleich: TryAI Head-to-Head
TryAI ließ Grok 4.5, GPT-5.5, Claude Opus 4.8 und Claude Fable 5 mit identischen Prompts dieselbe interaktive App von Null bauen:
3D-Würfel-Rendering (schwerster Task)
- Opus 4.8 und Fable 5: beim ersten Versuch ✅
- Grok 4.5: erster Versuch nur Titel und Button, kein Würfel; zweiter Versuch ✅ ❌→✅
- GPT-5.5: gescheitert ❌
Geschwindigkeit & Kosten
- Grok 4.5: First Token <0,5 s, ~110 tokens/s (~2× Wettbewerber), niedrigste Testkosten
- GPT-5.5: schnellste Kurzantworten
- Fable 5: langsamstes und teuerstes Modell
Fazit: Bei hochfrequenten repetitiven Coding-Tasks dominiert Grok 4.5 bei Speed und Kosten; für komplexes State-Management in einem Durchgang bleibt Claude zuverlässiger.
V. Plattformen & Anbindung
Grok 4.5 ist live auf (EU voraussichtlich Mitte Juli):
- Grok Build: SpaceXAI Coding-Agent-Plattform, Grok 4.5 als Default
- Cursor: alle Abos (Desktop, Web, iOS, CLI, SDK), Launch-Woche doppeltes Kontingent
- SpaceXAI Console API: Chat Completions und Responses API
- Office-Plugins: Word, PowerPoint, Excel als Default-Modell
- Drittanbieter-Gateways: OpenRouter, Vercel, Cloudflare, Snowflake, Databricks Mosaic
API-Schnellstart
Best Practices
prompt_cache_key(Responses API) oder Headerx-grok-conv-id(Chat Completions) setzen – gleicher Server, Cache-Hit senkt Input auf $0,50/M Tokens- Bei langen Agent-Loops Context Compaction aktivieren, Token-Akkumulation reduzieren
VI. Objektive Bewertung: Lohnt der Wechsel?
| Szenario | Empfehlung | Begründung |
|---|---|---|
| Hochfrequente Agent-Tasks (Hunderte–Tausende/Tag) | ✅ Grok 4.5 | $2,49 vs $11,80/Task – sofort spürbar |
| Terminal-Tasks & Tool-Calls | ✅ geeignet | Terminal Bench 2.1, AutomationBench Top-Niveau |
| Teams tief in Cursor integriert | ✅ geeignet | Native Unterstützung, nahtloser Wechsel |
| Startups & budgetbewusste Teams | ✅ geeignet | ~¼ Task-Kosten bei vergleichbarem Niveau |
| Hybrid-Modell-Strategie | ✅ empfohlen | Routine an Grok 4.5, Architektur an Fable 5 |
| SWE-Bench-Pro-Präzisionscode | ⚠️ vorsichtig | Fable 5 +~16 PP – realer Abstand |
| Halluzinations-sensible Produktion | ⚠️ vorsichtig | AA-Omniscience Index 54 % Halluzination – Output-Validierung nötig |
| EU-Nutzer | ⚠️ vorsichtig | API nur us-east-1 / us-west-2, EU noch nicht offen |
| CursorBench-basierte Entscheidungen | ⚠️ vorsichtig | Trainingsdaten-Kontamination – unabhängiger Retest ausstehend |
VII. Fünf-Schritte-Anbindungs-Runbook
Schritt 2 Zugang wählen: Grok Build / Cursor-Modellwechsel / Responses API direkt
Schritt 3 prompt_cache_key oder x-grok-conv-id konfigurieren, Cache-Routing aktivieren
Schritt 4 10–20 echte SWE-/Terminal-Tasks als Pilot, Qualität, Tokens und Halluzinationen protokollieren
Schritt 5 Hybrid-Routing live: Grok 4.5 für Routine-Agent-Subtasks, Fable 5 für Architektur; Context Compaction an
Zitierbare Fakten (EEAT)
- Token-Effizienz: SWE-Bench Pro Ø Output Grok 4.5 15.954 Tokens, Opus 4.8 67.020 – Faktor 4,2×.
- Task-Kosten: Grok 4.5 ~ $2,49/Task, Claude Code ~ $11,80/Task – bei 500/Tag Differenz $4.655/Tag.
- Kontextfenster: 500.000 Tokens – reicht für die meisten Monorepos vollständig.
- Agent-Führung: AutomationBench-AA 51,4 % – erstes Modell über 50 % ohne Constraint-Verstöße.
- Halluzinations-Warnung: AA-Omniscience Index 54 % – in Produktion Output-Validierungsschicht Pflicht.
VIII. Häufige Fragen (FAQ)
F: Ist Grok 4.5 besser als Claude Opus 4.8?
A: Kommt auf „besser“ an. Opus 4.8 führt bei SWE-Bench Pro (69,2 % vs 64,7 %); Grok 4.5 bei Speed, Token-Effizienz und Task-Kosten oft ~4× besser, bei Agent-Workflows leicht vorn.
F: Kann man Grok 4.5 kostenlos nutzen?
A: Grok Build und Cursor boten zeitlich begrenzte Gratis-Kontingente; API: $2/M Input, $6/M Output. Alle Cursor-Abos enthalten das Modell.
F: Wie nutze ich Grok 4.5 in Cursor?
A: In allen Plänen automatisch verfügbar. Cursor → Modellwähler → Grok 4.5; Launch-Woche doppeltes Kontingent.
F: Wie groß ist das Kontextfenster?
A: 500.000 Tokens (500K) – ausreichend für große Codebasen.
F: Warum wurde CursorBench entfernt?
A: Cursor-Snapshots gelangten in Trainingsdaten – Kontaminationsrisiko; SpaceXAI zog Ergebnisse zurück, unabhängiger Retest folgt.
F: Geht es über OpenRouter?
A: Ja, plus Vercel, Cloudflare, Snowflake, Databricks Mosaic u. a.
Fazit: Bester Preis-Leistungs-Opus-Agent, aber nicht der präziseste
Grok 4.5 ist nicht „das stärkste Coding-Modell“, aber der preiswerteste Opus-Klasse-Coding-Agent. Der echte Wert: Token-Effizienz plus API-Preis ergeben Task-Kosten, bei denen es in mainstream Agent-Workflows Opus-4.8-nahe Qualität zu 70–80 % oder weniger liefert.
Wer Grok-4.5-Agenten nur auf dem Laptop oder einem Linux-VPS betreibt, kämpft mit Schlafmodus-Unterbrechungen, vermischten API-Keys und Produktions-Repos sowie fehlender Apple-Toolchain (Xcode, Fastlane, notarytool) auf derselben Maschine. Reine API-Gateways bieten keine isolierte macOS-Build-/Signatur-Umgebung. Für 7×24 unbeaufsichtigte Agenten, Grok 4.5 in Cursor plus iOS-CI oder OpenClaw-Gateway ist VPSMAC M4 Mac Cloud – natives macOS, SSH + launchd, Cursor Remote im selben Segment – meist stabiler als Laptop oder Linux-VPS für Hybrid-Modell-Strategien in Produktion.
Quellen: SpaceXAI Launch · Cursor Co-Launch · API-Dokumentation · TechCrunch · Snorkel AI Test
Datenstand: 10. Juli 2026. Modellfähigkeiten und Preise können sich ändern – vor Go-Live offizielle Docs prüfen.