Grok 4.5 im Test: SpaceXAI Coding-Agent vs. Claude Opus vs. GPT-5.5

Ca. 14 Min. Lesezeit · MACCOME · Aktualisiert: 11. Juli 2026

Zielgruppe: Engineering-Leads, die Modellwechsel-Kosten kalkulieren, Cursor-Abonnenten und Entscheider mit Fokus auf Token-Effizienz und API-Rechnungen. Am 8. Juli 2026 veroeffentlichte SpaceXAI Grok 4.5 — das erste Flaggschiff nach dem Boersengang; Musk spricht von „Opus-Klasse zum Viertelpreis“. Sie erhalten: Spezifikationen, API- und Task-Preise, vier Coding-Benchmarks, Agent-Daten, TryAI-Ergebnisse, Plattformen, Cache-Tipps, Fit/Caution-Matrix, 6-Schritte-Runbook, Datenschutz-Hinweise. Breiterer Vergleich: KI-Coding-Assistenten-Entscheidungsmatrix.

bolt

TL;DR — 30 Sekunden

  • Kein Benchmark-Sieger, aber bestes Preis-Leistungs-Verhaeltnis in Opus-Klasse: SWE-Bench Pro Platz 3 (64,7%), Kosten pro Task ca. $2,49 vs. Claude Code ca. $11,80.
  • Token-Effizienz als Hebel: 15.954 Output-Tokens vs. Claude Opus 4.8 mit 67.020 — Faktor 4,2.
  • Agent-Workflows: AutomationBench-AA 51,4% (erstes Modell ueber 50%); Snorkel in Recht/Bildung/Medizin deutlich vorn.
  • Cursor-Co-Training: Erstes Ergebnis nach Anysphere-Uebernahme (Juni 2026); in allen Cursor-Plaenen.
  • Vorsicht: Halluzinationsrate 54%, CursorBench wegen Trainingsdaten-Kontamination zurueckgezogen, EU-API erst Mitte Juli, Datenschutz bei US-Regionen pruefen.

Sechs Entscheidungsluecken: „Opus-Klasse zum Viertelpreis“?

Nach Musks X-Post scheitern Teams nicht am Modellnamen, sondern an der Uebersetzung von Marketing in belastbare Zahlen:

  1. Sticker-Price-Falle: $2/M Input und $6/M Output ignorieren exponentielle Token-Differenzen bei hochfrequenten Agent-Loops.
  2. Harness-Inkonsistenz: DeepSWE 1.0 (Hersteller-Harness): Grok 4.5 Platz 3; neutraler Harness 1.1: 17 Prozentpunkte Abstand — Fussnoten sind Pflicht.
  3. Coding vs. Agent: SWE-Bench Pro: Fable 5 +16 pp; AutomationBench-AA: Grok 4.5 Sieger — Task-Typ bestimmt das Optimum.
  4. CursorBench-Krise: Cursor-Codebase-Snapshots in Trainingsdaten; Ergebnisse zurueckgezogen — Cursor-spezifische Claims nicht zitierbar.
  5. Erfolg beim ersten Versuch vs. Kosten: TryAI: 3D-Rendering einmalig bei Opus/Fable, Grok 4.5 mit Retry — Einsparungen bei Loops koennen durch Nacharbeit verloren gehen.
  6. Halluzinationen in Produktion: AA-Omniscience 54% — Finanz- und Security-Code braucht Output-Validierung; Datenschutz: keine sensiblen Daten ungeprueft an US-APIs senden.

Grok 4.5: Kerndaten

Am 8. Juli 2026 stellte SpaceXAI Grok 4.5 vor — optimiert fuer Coding und Code-Agents, agentische Workflows und wissensintensive Arbeit (Recht, Medizin, Bildung, Datenanalyse).

Alleinstellungsmerkmal: Co-Training mit Cursor auf Billionen Tokens realer Entwickler-Interaktionen. SpaceX uebernahm Anysphere im Juni 2026; dies ist das erste sichtbare Ergebnis. Fuer Datenschutz beachten: Trainingsdaten umfassen IDE-Interaktionen — bei regulated Workloads Datenfluss und AV-Vertraege dokumentieren.

ParameterWert
ArchitekturMixture of Experts (MoE)
Kontext500.000 Tokens
ReasoningNiedrig / Mittel / Hoch (Standard: Hoch)
GeschwindigkeitOffiziell 80 TPS, gemessen ~90 TPS; First Token <0,5 s, ~110 tokens/s
TrainingZehntausende NVIDIA GB300 (Memphis DC)
ParameterNicht veroeffentlicht (MoE)

Preise: Listenpreis vs. Task-Kosten

API-Preise (pro 1M Tokens)

ModellInputOutput
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 5HoeherHoeher
GPT-5.6 Sol$5,00$30,00
GPT-5.6 Luna$1,00$6,00

Reale Kosten pro Coding-Agent-Task

Modell / PlattformTokens pro TaskKosten pro Task
Grok 4.5 / Grok Build~1,9M$2,49
GPT-5.5 / Codex~6,2M$5,07
Claude Fable 5 / Claude Code~7,2M$11,80
info

4,2× Token-Effizienz: SWE-Bench Pro: Grok 4.5 15.954 Output-Tokens, Opus 4.8 67.020. Bei 500 Tasks/Tag: $1.245 vs. $5.900 Tageskosten.

Coding-Benchmarks

BenchmarkGrok 4.5Claude Fable 5Claude Opus 4.8GPT-5.5
DeepSWE 1.0 (offizieller Harness)62,0%66,1%55,75%64,31%
DeepSWE 1.1 (neutral)53%70%59%67%
Terminal Bench 2.183,3%84,3%78,9%83,4%
SWE-Bench Pro64,7%80,4%69,2%58,6%
warning

CursorBench zurueckgezogen: Cursor-Codebase-Snapshots in Grok-4.5-Trainingsdaten — Datenkontamination. Ergebnisse nicht zitierbar; unabhaengiger Retest ausstehend. Datenschutz-Relevanz: moegliche Ueberlappung proprietärer Code-Snippets in Trainingskorpora.

Agent-Benchmarks

BenchmarkGrok 4.5Claude Fable 5Claude Opus 4.8
AutomationBench-AA (657 Workflows)51,4%48,6%48,5%
Snorkel GDPVal+29%—21%

Snorkel-Szenarien: Recht 40% vs. 27–28%; Bildung 58% vs. 35–42%; Medizin 35% vs. 23–25%.

Artificial Analysis Intelligence Index

54 Punkte (Rang 4), hinter Fable 5 (60), Opus 4.8 (56), GPT-5.5 (55). +16 Punkte gegenueber Vorgaenger.

TryAI-Vier-Modell-Test

3D-Wuerfel-Rendering: Opus 4.8 und Fable 5 einmal erfolgreich; Grok 4.5 Retry noetig; GPT-5.5 scheitert. Geschwindigkeit: First Token <0,5 s, ~110 tokens/s, niedrigste Laufkosten.

Plattformen, API, Cache

  • Grok Build, Cursor (alle Plaene, erste Woche 2× Kontingent), SpaceXAI Console API (us-east-1, us-west-2; 150 req/s, 50M tokens/min)
  • Office-Plugins, OpenRouter, Vercel, Cloudflare, Snowflake, Databricks Mosaic
  • Datenschutz EU: API derzeit nur US-Regionen; EU-Eroeffnung Mitte Juli 2026 — bis dahin DSGVO-Risiko bei personenbezogenen Daten in Prompts kalkulieren
bash
curl -s https://api.x.ai/v1/responses \
  -H "Authorization: Bearer $XAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-4.5",
    "input": "Finde und behebe den Bug: function median(a){a.sort();return a[a.length/2]}"
  }'

Cache: prompt_cache_key (Responses API) oder x-grok-conv-id (Chat Completions) — Cache-Hit: Input $0,50/M. Context Compaction fuer lange Agent-Loops.

Fit / Caution-Matrix

SzenarioEmpfehlungBegruendung
Hochfrequente Agent-TasksGeeignet — Grok 4.5$2,49 vs. $11,80 pro Task
Terminal / Tool-CallsGeeignetTerminal Bench, AutomationBench top
Cursor-integrierte TeamsGeeignetCo-Training, native Integration
Hybrid-RoutingEmpfohlenRoutine → Grok 4.5; Architektur → Fable 5
SWE-Bench-Pro-PraezisionVorsichtFable 5 +16 pp
HalluzinationskritischVorsichtAA-Omniscience 54%
EU / DatenschutzVorsichtNur US-Regionen; EU Mitte Juli; DSGVO-Pruefung noetig
CursorBench-ClaimsVorsichtKontamination, Ergebnisse zurueckgezogen

6-Schritte-Runbook

  1. Task-Profil (30 Tage): Aufrufe, Tokens, Retry-Rate.
  2. Cursor-Pilot mit Grok 4.5; Terminal- und Refactor-Loops zuerst.
  3. Cache-Keys setzen; Hit-Rate und Rechnung messen.
  4. SWE-Bench-aehnliche Regression auf echten PRs.
  5. Hybrid-Routing: Lint/Tests/Docs → Grok 4.5; Security → Fable 5.
  6. Output-Gates fuer halluzinationskritische Pfade; Datenschutz-Audit fuer API-Prompts.

Drei harte Zahlen

  • 4,2× — Output-Tokens SWE-Bench Pro (15.954 vs. 67.020)
  • 51,4% — AutomationBench-AA, erstes Modell ueber 50% bei Constraint-Einhaltung
  • 500.000 — Kontext-Tokens

Fazit und MACCOME-Bruecke

Grok 4.5 ist der preiswerteste Opus-Klasse-Coding-Agent, nicht der Benchmark-Champion. Lokale MacBooks scheitern an Sleep, Speicher-Konkurrenz und fehlendem 7×24-Gateway.

Fuer stabile Grok-4.5- plus Claude-Hybrid-Stacks: MACCOME Mac-Cloud mit echtem macOS und SSH. Preise: Mac-mini-Mietpreise.

Quellen: SpaceXAI, Cursor, API-Docs, TechCrunch, Awesome Agents, APIdog, Snorkel AI. Stand: 10. Juli 2026.

FAQ

Ist Grok 4.5 besser als Claude Opus 4.8?

SWE-Bench Pro: Opus 4.8 (69,2% vs. 64,7%). Grok 4.5 bei Geschwindigkeit, Token-Effizienz und Kosten ~4× besser; Agent-Benchmarks leicht vorn.

Gibt es Grok 4.5 kostenlos?

Zeitlich begrenzte Freikontingente in Grok Build und Cursor. Danach API $2/M Input, $6/M Output.

Grok 4.5 in Cursor?

Alle Plaene. Modellauswahl → Grok 4.5. Vergleich: Assistenten-Matrix.

Kontextfenster?

500.000 Tokens.

Warum CursorBench zurueckgezogen?

Trainingsdaten-Kontamination durch Cursor-Codebase-Snapshots. Datenschutz- und Integritaetsrisiko.

OpenRouter-Zugang?

Ja, ueber OpenRouter, Vercel, Cloudflare, Snowflake, Mosaic. 7×24-Agent-Hosting: MACCOME Mietpreise.