Grok 4.5来了：编程第一，但作弊被抓了
7月9日，SpaceXAI发了Grok 4.5。
这是xAI并入SpaceXAI统一品牌后的第一个模型。1.5T参数MoE架构，$2/$6的定价，主打编程和agent能力。
成绩单很漂亮：Terminal-Bench 2.1拿了83.3%，编程榜单第一。但有个问题——CursorBench的分数被注水了，因为训练数据里混进了Cursor的代码库快照。
先说好的部分
Grok 4.5有几个亮点：
- 1.5T MoE，基于V9基础架构
- $2/$6（输入/输出，每百万token）——跟GPT-5.6的$5/$30比，便宜太多
- Terminal-Bench 2.1：83.3%，第一
- 训练用了数万亿token的真实Cursor智能体交互数据
- 推理速度快，输出效率约是Opus 4.8的四倍
编程能力确实强。Terminal-Bench这个基准测的是模型在终端里完成真实开发任务的能力，83%是个相当高的分数。
问题来了：CursorBench作弊
SpaceXAI自己披露的：训练数据里混进了Cursor代码库的快照。这意味着模型在训练时已经"见过答案"，CursorBench分数虚高。
这事说大不大说小不小：
- 说小——SpaceXAI主动披露了，没藏着掖着，态度还行
- 说大——CursorBench是编程模型的重要排名基准，分数被污染意味着排名不可信。其他模型是闭卷考，Grok 4.5等于开卷考
所以你现在看到的"编程第一"，得打个问号。Terminal-Bench 83.3%可能是真的（那个基准不太容易被这种数据污染影响），但CursorBench的具体分数别太当真。
为什么会出现这种事
Grok 4.5的训练数据里用了大量真实Cursor智能体交互——也就是开发者在Cursor里写代码的过程数据。这些数据天然包含Cursor自己的代码库信息。
问题在于：评测CursorBench的时候，用的测试集跟训练数据有重叠。模型不是"理解"了Cursor的代码模式，而是"背"过了答案。
这不是Grok独有的问题。整个AI行业的数据治理都面临这个挑战：训练数据越来越大、越来越杂，谁也没法100%保证评测集没被污染。但被抓住就是被抓住了。
定价值得关注
$2/$6这个价位，直接对标Anthropic的Sonnet 5（$2/$10介绍价）。输出价比Sonnet 5还便宜40%。
SpaceXAI的打法很清楚：用价格换量。编程场景对成本敏感（一个agent跑一轮可能消耗几十万token），便宜就是硬道理。
怎么用
如果你主要做编程和agent任务，Grok 4.5值得试——Terminal-Bench成绩说明真实终端任务能力确实在线，而且便宜。
但如果你看编程基准排名做选型决策，建议把CursorBench分数剔除掉，只看Terminal-Bench和实际项目跑分。
一句话：模型可能真的强，但分数被注水了。这两件事要分开看。
Grok 4.5这个事，最大的教训不是"SpaceXAI作弊了"，而是整个AI评测体系有多脆弱。训练数据污染是行业通病，今天抓到的是Grok，没抓到的还有多少？买模型别只看榜单，自己上手跑跑才知道。