Grok 4.5 im Test: Benchmarks, Preise und das Urteil

Was Grok 4.5 tatsächlich ist

Grok 4.5 ist laut xAIs eigener Beschreibung "our flagship model for code and everything else: agentic tool calling, minimal hallucinations, configurable reasoning" und, in den Worten des Unternehmens, "the most intelligent and fastest model we've built." Es erschien öffentlich am 8. Juli 2026, nach einer privaten Beta bei SpaceX und Tesla, die Berichten zufolge um den 28. Juni begann.

Das Modell selbst, grok-4.5 in der API, ist ein einzelnes SKU mit konfigurierbarem Reasoning statt der Fast/Mini/Heavy-Aufteilung, die manche Labs verwenden. Setzen Sie reasoning_effort auf low, medium oder high (high ist der Standard), und das Modell tauscht entsprechend Geschwindigkeit gegen Tiefe. Der zentrale Spec-Sprung gegenüber dem vorherigen Grok 4.3 ist ein 500.000-Token-Kontextfenster (Artificial Analysis nennt das etwa 750 Seiten A4), plus eingebaute serverseitige Tools für Websuche, X-Suche und Codeausführung, die Sie aufrufen können, ohne eine eigene Retrieval-Schicht zu verdrahten.

Wo Sie ihm tatsächlich begegnen: Es ist jetzt das Standardmodell in Grok Build, xAIs Coding-Agenten-CLI, es ist auf allen Cursor-Plänen verfügbar, und es ist das Standardmodell hinter den Word-, PowerPoint- und Excel-Add-ins im Microsoft-Copilot-Stil. Es läuft außerdem live auf OpenRouter, Vercel, Cloudflare, Snowflake und Databricks Mosaic, falls Sie xAIs Konsole lieber nicht direkt anfassen möchten.

Die Benchmarks, unabhängig geprüft

xAIs eigene Launch-Seite ließ sich nicht scrapen (ein verbreitetes Problem bei JS-lastigen Ankündigungsseiten), daher stammen die folgenden Zahlen aus Artificial Analysis' unabhängiger Messung von Grok 4.5 bei hohem Reasoning, was ohnehin die stärkere Quelle ist, da sie nicht von dem Unternehmen bewertet wird, das das Modell gebaut hat.

Der agentische Tool-Use-Score ist derjenige, bei dem man länger verweilen sollte: Es ist nicht „Top 4“, es ist schlicht der beste Score im gesamten Feld. Artificial Analysis' eigene Einschätzung ist, dass Grok 4.5 "amongst the leading models in intelligence and reasonably priced when comparing to other models of similar price" ist, und es ist zudem schneller und prägnanter als der Klassendurchschnitt, mit 60 Mio. Tokens beim vollständigen Intelligence-Index-Lauf gegenüber einem Durchschnitt von 72 Mio. Tokens.

Eine Zahl, die man mit Vorsicht behandeln sollte: Berichte während der privaten Beta behaupteten, Musk said Grok 4.5 "may match or exceed Anthropic's Opus model in performance". Die unabhängigen Zahlen platzieren es knapp unter Opus 4.8 (56) und etwa gleichauf mit Opus 4.7 (54). Lesen Sie das Launch-Marketing als das, was es ist: Marketing.

Grok 4.5 Preise

Die vollständigen API-Preise, bestätigt in xAIs Dokumentation und auf der grok-4.5-Modellseite:

Serverseitige Tools werden zusätzlich zu den Tokens abgerechnet: Websuche, X-Suche und Codeausführung kosten je 5 $ pro 1.000 Aufrufe; die Suche in Dateianhängen 10 $/1.000 Aufrufe; Collections-/RAG-Suche 2,50 $/1.000 Aufrufe. Speicher kostet 0,025 $/GiB/Tag für Dateien und 0,10 $/GiB/Tag für Collections. Überschreiten Sie in einer einzelnen Anfrage die 200K-Token-Marke, berechnet xAI einen anderen, höheren Satz, wobei die genaue Zahl zum Zeitpunkt der Veröffentlichung nicht auf der Doku-Seite stand, planen Sie also dafür ein, statt von einem flachen Satz auszugehen.

Auf der Verbraucherseite sind die Stufennamen bestätigt (Grok Free, SuperGrok, SuperGrok Heavy, gebündelter Zugang über X Premium+), aber xAI hat SuperGroks Dollarpreis auf keiner Seite veröffentlicht, die sich tatsächlich scrapen lässt. Die im Web kursierenden Zahlen von ~30 $/Monat für SuperGrok und ~300 $/Monat für SuperGrok Heavy sind sekundär und auf keiner Primärquelle bestätigt, behandeln Sie sie also als grob richtig, nicht als Gesetz, bis xAI eine Zahl auf seiner eigenen Preisseite veröffentlicht. Frühen Zugang zu Grok 4.5 in der Verbraucher-App erhielten zuerst SuperGrok- und X-Premium+-Abonnenten.

Wie das im Vergleich zum übrigen Feld abschneidet, zeigt unser vollständiger xAI-Preisleitfaden.

Wie der Launch tatsächlich ankam

Da Grok 4.5 zum Zeitpunkt dieses Reviews erst wenige Stunden alt ist, konzentriert sich die Community-Berichterstattung auf Hacker News und X statt auf Reddit, das zum Zeitpunkt der Veröffentlichung sowohl für die Suche als auch für den direkten Abruf blockiert war. Was dort zu finden ist, ist eine wirklich gespaltene Reaktion, kein einseitiger Sieg.

Auf der positiven Seite postete Cursors CEO Michael Truell, dass Grok 4.5 "an Opus-class model that's fast and low cost… a significant step up over any model we've developed so far" sei und "become the daily driver for many on our team" geworden sei (dabei ist zu beachten, dass Cursor das Modell mitgelauncht hat, es sich also um eine anbieternahe Empfehlung handelt, nicht um eine neutrale dritte Partei). Artificial Analysis auf X wies darauf hin, dass es seinen GDPval-AA-v2-Score "at a cost of $0.49 per task" erreicht habe, was es klar an die Kosten-Leistungs-Grenze bringt.

"Grok is not a serious AI, it's not suitable for professional work and has mediocre performance anyway."

13415, Hacker News

"I just don't think that I can ever trust an xAI model knowing that they are actively trying to shape its replies to fit a political narrative. How can you trust their models to be reliable in a business setting with the foreknowledge that their models are being nudged around in the backend?"

jesse_dot_id, Hacker News

Dieser Vertrauens-Thread war das lautstärkste Einzelthema im Hacker-News-Launch-Post, noch vor jeder Diskussion über Fähigkeiten. Ein Gegenargument tauchte im selben Thread ebenfalls auf: ein Kommentator hielt dagegen, dass "Grok has in most of my testing been MORE politically correct than GPT and Gemini… on grok.com or in the app Grok is very tame." Beide Lesarten existieren im selben Kommentarbereich, was zeigt, dass die Debatte ungelöst ist, nicht in die eine oder andere Richtung entschieden.

Bei der reinen Coding-Fähigkeit ist das Bild in der Praxis gemischt, obwohl die Benchmarks auf dem Papier stark aussehen. Im meistdiskutierten Hands-on-Vergleichsthread, in dem jemand Grok 4.5, GPT-5.5 und Claude dieselben Apps bauen ließ, merkte ein Kommentator an, es sei "so strange to write a whole post with Claude giving the best results and Grok consistently the worst, but awarding Grok the winner because at least it did the worst fastest." Ein anderer nannte es "pretty decent, comparable with some older Opus models, and fairly cheap per token". Günstig und schnell ist der durchgängige rote Faden; Best-in-Class-Ausgabequalität ist es nicht.

Grok 4.5 Vor- und Nachteile

Wo es wirklich stark ist:

• Der günstigste Weg zu nahezu Frontier-Intelligenz. Bei 2 $/6 $ pro 1 Mio. Tokens unterbietet es das, was Sie für Claude- oder GPT-5.5-Klasse-Output zahlen würden, während es im Intelligence Index nur wenige Punkte dahinter liegt.
• Der beste agentische Tool-Use-Score im gesamten Feld, Punkt, nicht nur „Spitzenklasse“. Wenn Ihre Aufgabe darin besteht, Tools aufzurufen und Aktionen auszuführen statt Aufsätze zu schreiben, ist das die Zahl, die am meisten zählt.
• Schnell. 85,6 Tokens/Sek. gegenüber einem Durchschnitt von ~73, und merklich prägnanter als das Durchschnittsmodell bei derselben Aufgabe.
• Ein wirklich großes Kontextfenster mit 500K Tokens, nützlich für alles, was viel Ticket-Historie, Dokumentation oder Code gleichzeitig im Blick behalten muss.

Wo es schwächelt:

• Nicht das intelligenteste verfügbare Modell. Es liegt auf Platz 4 im Intelligence Index, hinter Claude Fable 5, Claude Opus 4.8 und GPT-5.5. Wenn reine Reasoning-Qualität das Einzige ist, worauf Sie optimieren, ist es nicht die richtige Wahl.
• Vertrauen ist ein akutes, ungelöstes Thema, und es ist das lautstärkste Einzelthema in der Community-Reaktion, keine Fußnote. Das zählt deutlich mehr, sobald das Modell kundenseitig eingesetzt wird, als wenn es Code in einer IDE schreibt.
• Kein Batch-Rabatt zum Launch, anders als beim älteren grok-4.3, das 20 % Nachlass auf asynchrone Workloads bekam.
• Die Verbraucherpreise sind nirgends nachprüfbar veröffentlicht. Die ~30-$/Monat-Zahl für SuperGrok stammt aus der Community, nicht bestätigt auf einer primären xAI-Seite.

Ist Grok 4.5 gut für den Kundensupport?

Hier beginnen Modell und Anwendungsfall auseinanderzudriften. xAI bezeichnet "minimal hallucinations" als zentrale Eigenschaft von Grok 4.5, und unabhängig davon ist das plausibel, weniger Halluzinationen sind wirklich besser als mehr. Aber minimal ist nicht null, und eine Support-Warteschlange ist genau der Ort, an dem „meistens richtig“ nicht gut genug ist, denn eine falsche Antwort sieht nicht nur in einer Benchmark-Tabelle schlecht aus, sie geht an einen echten Kunden.

Ich habe genau dieses Fehlerverhalten aus der Nähe gesehen. In eesels eigenen frühen Rollouts erfand ein Bot ohne harten Fallback bei einer fehlgeschlagenen Wissensdatenbank-Abfrage gelegentlich eine Antwort aus irgendetwas, das er im Training gesehen hatte, statt zu sagen, dass er es nicht wisse, in einem denkwürdigen Fall beantwortete er eine völlig unzusammenhängende Support-Frage mit „Sauerstoff“, direkt aus dem Periodensystem, weil die Abfrage leer zurückkam und das Modell die Lücke trotzdem füllte. Das ist kein Grok-spezifisches Problem, es ist das, was jedes fähige Modell standardmäßig tut, wenn nichts es davon abhält, selbstbewusst zu raten. Es ist auch genau die Art von Einwand, die wir in Verkaufsgesprächen hören: Käufer wollen eine KI, die nur die Tickets beantwortet, bei denen sie sich wirklich sicher ist, und den Rest stillschweigend an einen Menschen weiterreicht, statt einer, die versucht, alles zu beantworten und manchmal dort falschliegt, wo ein Kunde es sehen kann.

Das ist die Lücke zwischen „einem starken Modell“ und „einem sicheren Support-Setup“. eesel beschränkt das Modell auf Ihre eigenen Hilfedokumente und vergangenen Tickets, leitet alles unterhalb einer Konfidenzschwelle an einen Menschen weiter, statt zu raten, und führt eine vollständige Simulation gegen Ihre historischen Tickets durch, bevor irgendetwas live geht, sodass Sie genau sehen, was das Modell bei echten vergangenen Fällen gesagt hätte, bevor auch nur ein einziger Kunde eine Antwort sieht. Es funktioniert unabhängig davon, welches Modell darunterliegt, Grok 4.5, GPT oder Claude, auf dieselbe Weise, weil der Wrapper die eigentliche Sicherheitsschicht ist, nicht die Modellwahl.

Das Urteil

Wenn Sie ein Modell für agentische, toolintensive Arbeit auswählen und Kosten eine Rolle spielen, ist Grok 4.5 eine wirklich starke Wahl, wohl die beste Preis-Leistungs-Option, die derzeit für genau diese Aufgabe auf dem Markt ist. Wenn Sie das schlichtweg intelligenteste Modell für offenes Reasoning brauchen, liegen Claude Fable 5, Claude Opus 4.8 oder GPT-5.5 nach wie vor knapp davor, zu einem höheren Preis. Und wenn Sie es für irgendetwas Kundenseitiges abwägen, war die Modellqualität nie wirklich der Engpass, das sind die Vertrauensbedenken und das Fehlen eines harten Stopps bei selbstbewussten Falschantworten, was eher ein Setup-Problem als ein Modell-Problem ist.

eesel ausprobieren

Welches Frontier-Modell diesen Monat auch gewinnt, Grok 4.5, GPT-5.5 oder was auch immer als Nächstes erscheint, der schwierige Teil des KI-Supports war nie die Wahl des intelligentesten LLM. Es geht darum, sicherzustellen, dass das Modell nur beantwortet, was es tatsächlich weiß, und den Rest sauber weiterreicht. eesel setzt auf Ihren bestehenden Helpdesk auf, ob das Zendesk, Freshdesk, Gorgias, HubSpot oder Front ist, lernt vom ersten Tag an aus Ihrer echten Ticket-Historie und führt eine vollständige Simulation gegen Ihre vergangenen Tickets durch, sodass Sie die genaue Abdeckung sehen, bevor es je eine Live-Konversation berührt. Die Preisgestaltung ist nutzungsbasiert, 0,40 $ pro gelöstem Ticket, ohne Sitzplatzgebühren und ohne Plattform-Minimum, sodass Sie nicht für den Benchmark-Score eines Modells zahlen, sondern für Tickets, die es tatsächlich abgeschlossen hat.