Resumen / Puntos clave
- SpaceXAI acaba de lanzar Grok 4.5, un modelo que afirma un rendimiento de vanguardia a una fracción del costo.
- Pero un examen más detenido de sus impresionantes puntuaciones en benchmarks revela una controversia de contaminación que lo cuestiona todo.
La Blitzkrieg de los Benchmarks
Grok 4.5 ha aterrizado, llegando con una ráfaga de afirmaciones explosivas que acaban de conmocionar a la comunidad de la IA. Este nuevo modelo, según se informa, registra puntuaciones que superan a competidores de primer nivel como Opus 4.8 Max en benchmarks especializados de ingeniería de software como DeepSWE. Su rendimiento en DeepSWE 1.0, por ejemplo, indica una inteligencia de nivel de vanguardia para tareas de software e ingeniería, lo que hace que estas afirmaciones sean particularmente impactantes.
Un punto destacado es el rendimiento de Grok 4.5 en Terminal-Bench, una prueba crucial que evalúa la capacidad de una IA para operar una interfaz de línea de comandos real como un ingeniero DevOps experimentado. A diferencia de la edición de código estática, este benchmark requiere que la IA utilice un shell real para completar tareas. Grok 4.5, según se informa, iguala un nivel de capacidad de 'GPT 5.5' aquí, demostrando una impresionante destreza práctica con una puntuación del 83.3% en Terminal-Bench 2.1, superando significativamente a Opus 4.8 Max.
Más allá de la codificación pura, Grok 4.5 también ofrece un impresionante 29% en el GDPVal benchmark. Este benchmark evalúa el trabajo profesional del mundo real, donde Grok 4.5 supera tanto a GPT-5.5 (22%) como a Opus 4.8 (21%). Estos resultados sugieren un gran potencial para la aplicación práctica en entornos profesionales, no solo en pruebas de banco académicas. La eficiencia reportada del modelo y su menor costo endulzan aún más el trato para los usuarios.
IA de Vanguardia a una Fracción del Costo
El precio de Grok 4.5 es, sin duda, su característica más disruptiva, y acaba de conmocionar a la comunidad de la IA. Con solo $2 de entrada y $6 de salida por millón de tokens, reduce drásticamente los precios de los competidores que ofrecen un rendimiento de nivel de vanguardia similar, a menudo entre cinco y diez veces. Por ejemplo, los modelos que logran un rendimiento comparable del 80% en benchmarks como Terminal-Bench pueden exigir $5 de entrada y $30 de salida por millón de tokens.
Esta agresiva estrategia de precios posiciona a Grok 4.5 de manera única en un índice de "Inteligencia vs Costo". El modelo se sitúa directamente en el cuadrante 'más atractivo', prometiendo el máximo rendimiento por su dinero. Significa que obtiene inteligencia de alta gama sin el costo premium, una victoria significativa tanto para desarrolladores como para empresas.
Más allá del costo, Grok 4.5 prioriza la velocidad y la eficiencia. El modelo se sirve a una rápida velocidad de 80 tokens por segundo (TPS), y presume de una eficiencia de tokens hasta cuatro veces mayor que modelos líderes como Opus 4.8. Esto se traduce directamente en menos desperdicio computacional y resultados más rápidos al abordar tareas complejas de ingeniería de software, mejorando la productividad y reduciendo los gastos operativos.
El Asterisco en la Puntuación 'Perfecta'
El rendimiento aparentemente impecable de Grok 4.5 en el Cursor Bench, un benchmark diseñado para probar modelos de IA en tareas complejas de bases de código del mundo real, levantó inmediatamente una gran bandera roja. Si bien sus puntuaciones fueron fenomenales, sugiriendo un salto en la capacidad de codificación práctica, este benchmark en particular ahora parece menos una verdadera medida de habilidad y más una posible trampa.
El problema crítico surgió de la letra pequeña que acompañaba el lanzamiento de Grok 4.5: una instantánea temprana de la base de código de Cursor fue "incluida accidentalmente en el entrenamiento" del modelo. Esta significativa contaminación de datos significa que Grok 4.5 probablemente no resolvió los desafíos presentados por el benchmark; puede que simplemente haya memorizado las respuestas, invalidando efectivamente toda la prueba. No se puede afirmar que un modelo es brillante si solo está regurgitando soluciones vistas previamente.
Este problema se agrava considerablemente por un flagrante conflicto de intereses. SpaceXAI, el desarrollador de Grok 4.5, adquirió recientemente Cursor, la misma empresa que desarrolló y publicó este benchmark tan favorable. La publicación de un resultado contaminado que presenta su propio modelo de una manera tan positiva, incluso con una discreta advertencia, plantea serias dudas sobre la transparencia y la fiabilidad general de sus afirmaciones sensacionalistas. Para más información sobre las capacidades y benchmarks declarados de Grok 4.5, puede consultar Introducing Grok 4.5 | SpaceXAI.
De las pruebas de laboratorio al código del mundo real
Aunque algunos benchmarks generan dudas, Grok 4.5 sí obtuvo un decisivo puesto #1 en Harvey's Legal Agent Benchmark. Esta prueba específica evalúa la capacidad de una IA para abordar trabajo legal práctico, lo que sugiere una promesa real para aplicaciones profesionales especializadas. Es un fuerte indicador de que Grok 4.5 no es solo un caballo de un solo truco en la codificación.
Enjoying this? Get one like it in your inbox each morning.
one email a day · unsubscribe in two clicks · no third-party tracking
Sin embargo, estos brillantes resultados de laboratorio chocan drásticamente con las primeras experiencias de los usuarios. Desarrolladores en diversas plataformas de redes sociales están compartiendo relatos sobre el rendimiento de codificación de Grok 4.5 en el mundo real, a menudo calificándolo de "decepcionante" o incluso "basura". Esta marcada divergencia entre las pruebas controladas y la utilidad diaria es una preocupación significativa para cualquiera que esté considerando su integración.
Un veredicto final sigue siendo esquivo. Grok 4.5 es innegablemente una herramienta potente y rentable, que ofrece tarifas como $2 por entrada y $6 por salida por millón de tokens, superando significativamente a sus competidores. Pero debe sopesar esos impresionantes, aunque a veces defectuosos, resultados de benchmark frente al creciente coro de informes del mundo real. ¿Está la exageración superando la realidad, o Grok 4.5 se ajusta genuinamente a sus necesidades específicas? Esa es la pregunta que debe responder antes de comprometer su dinero.
Preguntas Frecuentes
¿Qué es Grok 4.5?
Grok 4.5 es un nuevo modelo de lenguaje grande de SpaceXAI diseñado para ofrecer inteligencia de alto nivel, 'de frontera', para ingeniería de software y tareas del mundo real a un costo significativamente menor y mayor velocidad que sus competidores.
¿Cuánto cuesta Grok 4.5?
Grok 4.5 tiene un precio muy competitivo de aproximadamente $2 por entrada y $6 por salida por millón de tokens, lo que es sustancialmente más barato que modelos comparables como Claude Fable 5 o Opus 4.8.
¿Cuál es la controversia del Grok 4.5 Cursor Bench?
La controversia surge de la admisión de que una versión temprana del código base de Cursor, utilizada para un benchmark clave de codificación, fue 'incluida accidentalmente' en los datos de entrenamiento de Grok 4.5. Esto contamina los resultados, haciendo que no esté claro cuánto de su impresionante rendimiento en ese benchmark específico es capacidad genuina frente a memorización.
¿Es Grok 4.5 bueno para codificar?
Grok 4.5 muestra un rendimiento excepcional en varios benchmarks de codificación como DeepSWE y Terminal Bench. Sin embargo, los controvertidos resultados del Cursor Bench y la retroalimentación mixta de los primeros usuarios sugieren que, aunque potente, su destreza de codificación en el mundo real podría ser más matizada de lo que sugieren las cifras principales.