Grok 4.5 im Test: 500K Kontext, 80 TPS und Coding-Agenten
Nach dem Start von Grok 4.5 habe ich zunächst die Ankündigung und Entwicklerdokumentation von xAI gelesen und sie anschließend mit den ersten Diskussionen auf X und Reddit verglichen.
Die Kurzfassung: Grok 4.5 ist kein kleines Update für gewöhnliche Chats, sondern xAIs Flaggschiffmodell für Coding, agentische Aufgaben und Wissensarbeit.
Für Entwickler sind vor allem praktische Fragen entscheidend:
- Kann Grok 4.5 in echten Repositories mit Claude, GPT und GLM mithalten?
- Machen die beworbenen 80 TPS und der geringere Token-Verbrauch bei langen Agent-Läufen einen Unterschied?
- Ist das Kontextfenster mit 500K Tokens für große Codebasen wirklich nützlich?
- Ist der offizielle Preis von 2 US-Dollar pro Million Input-Tokens und 6 US-Dollar pro Million Output-Tokens konkurrenzfähig?
- Warum sprechen einige Nutzer von einem großen Sprung, während andere Zugang und Nutzungslimits kritisieren?
Dieser Test trennt verifizierte Produktdaten von frühen Community-Eindrücken und ordnet ein, welchen Platz Grok 4.5 in einem produktiven Multi-Modell-Stack einnehmen kann.
Kurzfazit
- Grok 4.5 erschien am 8. Juli 2026 unter der Modell-ID
grok-4.5. - xAI positioniert das Modell für Coding, agentische Aufgaben und Wissensarbeit.
- Es bietet ein Kontextfenster mit 500K Tokens und einen Wissensstand bis 1. Februar 2026.
- xAI nennt eine Ausgabegeschwindigkeit von ungefähr 80 Tokens pro Sekunde.
- Der offizielle API-Preis liegt bei 2 US-Dollar pro Million Input-Tokens und 6 US-Dollar pro Million Output-Tokens.
- Der Reasoning-Aufwand lässt sich mit
low,mediumoderhighsteuern;highist der Standard. - Besonders interessant ist das Modell für Engineering auf Repository-Ebene, Terminal-Aufgaben, lange Agent-Workflows, Office-Dateien und Wissensarbeit mit klaren Vorgaben.
Mein Fazit: Grok 4.5 gehört in den Evaluationspool jedes Teams, das Coding-Agenten oder eine Multi-Modell-Infrastruktur entwickelt. Für die Aussage, es sei allein aufgrund der Hersteller-Benchmarks der unangefochtene Sieger, ist es jedoch noch zu früh.
Technische Daten von Grok 4.5
| Merkmal | Grok 4.5 |
|---|---|
| Modell-ID | grok-4.5 |
| Schwerpunkt | Coding, Agenten, Wissensarbeit |
| Kontextfenster | 500K Tokens |
| Ausgabegeschwindigkeit | Laut xAI ungefähr 80 TPS |
| Reasoning-Aufwand | low / medium / high |
| Offizieller Input-Preis | 2 $ / 1 Mio. Tokens |
| Offizieller Output-Preis | 6 $ / 1 Mio. Tokens |
| Wissensstand | 1. Februar 2026 |
| Echtzeitinformationen | Erfordern Web Search oder X Search |
Die Produktstrategie wird deutlich, wenn man diese Werte zusammen betrachtet: Das große Kontextfenster nimmt Repository und Begleitdokumente auf, der hohe Durchsatz verkürzt Wartezeiten, und eine bessere Token-Effizienz kann die Kosten mehrstufiger Ausführungen reduzieren.
Diese Kombination ist für Agent-Workflows gedacht, nicht nur für kurze Chat-Vergleiche.
Coding-Leistung: starke Werte mit einem wichtigen Vorbehalt
xAI veröffentlichte Ergebnisse für DeepSWE, SWE Marathon, Terminal Bench 2.1 und SWE Bench Pro. Zu den repräsentativen Werten gehören:
- 29,0 % bei SWE Marathon
- 83,3 % bei Terminal Bench 2.1
- 64,7 % bei SWE Bench Pro
- 62,0 % bei DeepSWE 1.0
Diese Benchmarks passen zum vorgesehenen Einsatz: reale Repositories verstehen, ein Terminal bedienen, mehrere Dateien bearbeiten, Tests ausführen und Ziele über lange Ausführungsketten hinweg verfolgen.
Entwickler sollten dabei einen Vorbehalt nicht übersehen. Cursor gab an, dass ein älterer Snapshot seiner Codebasis versehentlich in den Trainingsdaten von Grok 4.5 enthalten war. Dadurch hatte das Modell bei CursorBench einen Vorteil. Der genaue Einfluss ist unklar und die Offenlegung entwertet nicht alle anderen Benchmarks, unterstreicht aber einen wichtigen Grundsatz:
Bewertet Grok 4.5 mit euren eigenen Repositories, Tests und Kostenlimits, statt eine Rangliste zur Deployment-Entscheidung zu machen.
Warum 80 TPS wichtiger sein können als ein weiterer Benchmark-Sieg
Bei einer kurzen Antwort wirken 80 TPS vor allem schnell. Bei einem Agenten summiert sich der Vorteil über viele Schritte: Dateien lesen, Tools aufrufen, Code ändern, Tests starten, Fehler untersuchen und erneut versuchen.
Schon eine moderate Zeitersparnis pro Schritt kann die Gesamtdauer einer Aufgabe um mehrere Minuten reduzieren.
xAI berichtet außerdem, dass Grok 4.5 im Vergleich durchschnittlich 15.954 Output-Tokens pro SWE-Bench-Pro-Aufgabe benötigte. Für Opus 4.8 max nennt xAI 67.020 Tokens, also etwa 4,2-mal mehr.
Das ist ein Herstellervergleich und lässt sich nicht pauschal auf jede Arbeitslast übertragen. Er weist aber auf die richtige Kosteneinheit hin. Teams sollten vergleichen:
- gesamte Tokens pro abgeschlossener Aufgabe
- tatsächliche Bearbeitungszeit
- Anzahl der Wiederholungen
- Quote bestandener Tests
- Zeit für menschliche Prüfung und Nacharbeit
Der günstigste Token führt nicht automatisch zur günstigsten abgeschlossenen Aufgabe.
Was bringt ein Kontextfenster mit 500K Tokens?
500.000 Tokens reichen für viele umfangreiche Engineering- und Wissensaufgaben, darunter:
- modulübergreifende Analysen in mittleren und großen Repositories
- gemeinsame Auswertung von Pull Requests, Issues, Logs und technischer Dokumentation
- Verträge, Forschungsarchive und Unternehmenswissensdatenbanken
- lang laufende Agenten, die ihren Ausführungsverlauf bewahren
- Workflows mit mehreren Word-, Excel- und PowerPoint-Dateien
Ein großes Kontextfenster garantiert keine perfekte Erinnerung an jeder Position und ist kein Grund, bei jeder Anfrage ein komplettes Repository ungefiltert zu übertragen. Sinnvoller sind eine Abhängigkeitskarte, der gezielte Abruf relevanter Dateien, kompakte Entscheidungszusammenfassungen und Checkpoints zwischen den Phasen langer Aufgaben.
Grok 4.5 Erfahrungen auf Reddit
Die ersten Reaktionen auf Reddit fallen gemischt aus. Gerade deshalb sind sie als Ergänzung zu einer Launch-Ankündigung nützlich.
Positives Feedback konzentriert sich auf drei Bereiche.
Erstens berichten Nutzer von besserem Verhalten bei komplexen Anweisungen. In einer Diskussion wurde Grok 4.5 dafür gelobt, mit mehrdeutigen Voraussetzungen und anspruchsvollen Schreibaufgaben umzugehen, ohne sofort in eine oberflächliche Antwort auszuweichen.
Zweitens nennen Entwickler häufig die Geschwindigkeit. In Communities, die Grok mit Sonnet, Opus, GPT und GLM vergleichen, zählen Durchsatz und mögliche Kosten pro erledigter Aufgabe zu den attraktivsten Eigenschaften.
Drittens beschreiben mehrere Nutzer einen deutlichen Unterschied zwischen der API beziehungsweise Grok Build und der weniger transparenten Consumer-App. Das ist relevant, weil ein unklarer Modellwähler kaum erkennen lässt, ob ein Vergleich tatsächlich Grok 4.5 testet.
Auch die Kritik folgt wiederkehrenden Mustern.
Nutzer bemängeln, dass der Zugang zum Start über Web-App, Mobile-App, Heavy, Expert, Grok Build und API schwer verständlich war. Das Modell selbst nach seiner Version zu fragen, ist kein verlässlicher Test, weil es eine Antwort aus Webinhalten ableiten kann.
Nutzungslimits sorgen ebenfalls für Frust. Ein Nutzer berichtete, dass eine Grok-Build-Aufgabe nach kurzer Zeit bei etwa 105K von möglichen 500K Kontext-Tokens gestoppt wurde. Andere kritisierten Wochenlimits, weil lange Projekte dadurch schwer planbar werden.
Die praktische Erkenntnis lautet: Modellfähigkeit und Produktnutzbarkeit sind zwei getrennte Ebenen. Ein starkes Modell kann trotzdem eine schwache Erfahrung liefern, wenn Limits, Routing und Wiederaufnahme nach Fehlern unklar sind.
Was die Diskussion auf X ergänzt
Auf X dreht sich die Diskussion vor allem um die Zusammenarbeit mit Cursor, App-Demos aus einem einzigen Prompt, den Wettbewerb zwischen Modellen und das schnelle Release-Tempo von xAI.
Diese Themen helfen bei der ersten Einordnung. Für den produktiven Einsatz sind jedoch weniger spektakuläre Kennzahlen wichtiger:
- feste Modell-Aliasse und Versionsstabilität
- Latenz und Fehlerraten zu Spitzenzeiten
- Token-Verbrauch bei langen Aufgaben
- Erfolgsquote von Tool-Aufrufen
- Qualitätsunterschiede zwischen Reasoning-Stufen
Wenn das Modell Teil eines kundennahen Dienstes ist, sagen diese Werte mehr aus als virale Demos.
Ist der API-Preis von Grok 4.5 konkurrenzfähig?
Mit 2 US-Dollar pro Million Input-Tokens und 6 US-Dollar pro Million Output-Tokens ist der Listenpreis für ein Frontier-Coding-Modell wettbewerbsfähig. Die tatsächlichen Kosten bestehen jedoch mindestens aus vier Ebenen: wiederholt übertragenem Langkontext, Reasoning- und Code-Ausgabe, Erfolgsquote und Plattformaufwand.
Wenn euer Team Grok neben GPT, Claude, GLM, DeepSeek und weiteren Modellen testet, kann eine einheitliche Modell-API-Plattform wie llm-agent den Vergleich vereinfachen. Ein gemeinsamer API-Key, konsistente Requests, Nutzungsübersicht und Modellwechsel reduzieren den operativen Aufwand für die Bewertung eines weiteren Anbieters.
Aktuelle Angaben findet ihr unter Modellpreise und Verfügbarkeit, API-Tokens kaufen und Anleitungen zur API-Integration. Modellverfügbarkeit, regionale Unterstützung und Plattformpreise sollten immer auf der aktuellen Preisseite geprüft werden.
Für wen lohnt sich ein Test von Grok 4.5?
Grok 4.5 ist besonders relevant für:
- Engineering-Teams, die Agenten auf mittleren oder großen Repositories einsetzen
- unabhängige Entwickler, die vollständige Prototypen und Anwendungen erstellen
- Wissensarbeiter mit komplexen Tabellen, Dokumenten und Präsentationen
- Modell-Gateways, die die Abhängigkeit von einem einzelnen Anbieter reduzieren
- Unternehmen, die Aufgabenkosten von Claude, GPT, Grok und chinesischen Coding-Modellen vergleichen
Weniger geeignet ist ein sofortiger, ungeprüfter Wechsel bei hohen Anforderungen an konsistente Ausgaben, für Nutzer ohne Klarheit über das tatsächlich verwendete Modell einer Abo-Oberfläche oder für Projekte, die sofortige EU-Verfügbarkeit und konkrete Compliance-Zusagen benötigen.
Gesamtbewertung
Das Interessanteste an Grok 4.5 ist nicht ein einzelner Benchmark-Wert. Es ist die Verbindung aus Engineering-Fähigkeiten auf Flaggschiffniveau, dem Durchsatz eines schnellen Modells und dem Ziel, weniger Tokens für eine abgeschlossene Aufgabe zu benötigen.
Offizielle Daten und frühe Community-Berichte deuten auf eine deutliche Verbesserung bei komplexen Anweisungen, Terminal-Arbeit, langen Ausführungsketten und Wissens-Workflows hin.
Es bleiben Gründe zur Vorsicht: unübersichtlicher Zugang zum Start, schwer planbare Abo-Limits, der offengelegte Trainingsdaten-Vorbehalt rund um CursorBench und noch wenige öffentliche Langzeiterfahrungen aus Produktionsprojekten.
Das ehrliche Urteil lautet daher: Wer Coding- oder Agent-Produkte entwickelt, sollte Grok 4.5 jetzt mit realen Aufgaben testen. Für eine vollständige Migration allein aufgrund der Launch-Benchmarks sollte man zuerst die eigenen Evaluationsergebnisse abwarten.
FAQ
Wann wurde Grok 4.5 veröffentlicht?
Grok 4.5 wurde am 8. Juli 2026 offiziell veröffentlicht und über die xAI API, Grok Build sowie Zugangswege im Umfeld von Cursor bereitgestellt.
Wie groß ist das Kontextfenster von Grok 4.5?
Die Modelldokumentation von xAI nennt ein Kontextfenster mit 500K Tokens.
Was kostet die Grok-4.5-API?
Der offizielle Standardpreis beträgt 2 US-Dollar pro Million Input-Tokens und 6 US-Dollar pro Million Output-Tokens. Drittanbieter und einheitliche API-Plattformen können andere Preise verwenden.
Ist Grok 4.5 gut zum Programmieren?
Coding und agentische Aufgaben gehören zur primären Positionierung. Benchmarks und erste Nutzerberichte sprechen dafür, dass das Modell besonders bei Repository-Arbeit, Terminal-Operationen und mehrstufiger Entwicklung nützlich ist, nicht nur bei isolierten Code-Snippets.
Kann Grok 4.5 X und das aktuelle Web durchsuchen?
Ja, wenn Web Search oder X Search aktiviert sind. Der interne Wissensstand des Modells endet am 1. Februar 2026.
Ist Grok 4.5 besser als Claude, GPT oder GLM?
Kein Modell gewinnt bei jeder Aufgabe. Grok 4.5 ist wegen Geschwindigkeit, Coding, Agent-Ausführung und Listenpreis interessant; Wettbewerber können bei bestimmten Repositories, Designaufgaben, Ökosystemen oder langfristiger Zuverlässigkeit vorne liegen. Vergleicht Erfolgsquote, Gesamttokens, Zeit und Wiederholungen mit demselben privaten Benchmark.