Grok 4.5 vs GPT-6 Astra: sześć razy wyższa cena katalogowa, trzy razy wyższy rachunek

Postaw Grok 4.5 i GPT-6 Astra obok siebie na ich cennikach, a różnica wygląda absurdalnie: 2,00 USD wobec 10,00 USD za milion tokenów wejściowych, 6,00 USD wobec 50,00 USD za milion na wyjściu. Przepuść te same dwa modele przez Intelligence Index firmy Artificial Analysis, a różnica zwęża się do czegoś, o czym zespół może naprawdę się spierać — 1,04 USD za ukończone zadanie wobec 3,26 USD. Mnożnik na metce to 5x na wejściu i 8,3x na wyjściu. Mnożnik na rachunku, mierzony na rzeczywistych liczbach tokenów, to nieco ponad 3x. A wymiar, w którym te dwa modele różnią się najbardziej, to ani jeden, ani drugi z nich. Jest nim czas oczekiwania na pierwszy token, gdzie niezależny pomiar wynosi 10,94 sekundy wobec 342,30.

To całe starcie w jednym akapicie i właśnie dlatego ta strona nie jest koronacją w żadnym kierunku. GPT-6 Astra jest inteligentniejszym modelem o wyraźnej i powtarzalnej przewadze. Grok 4.5 jest tańszym z nich o przewagę, która jest realna, ale znacznie mniejsza, niż sugeruje jego cennik. Wszystko inne — szybkość, efektywność tokenów, kontekst, benchmarki kodowania — albo się dzieli, albo remisuje, albo okazuje się mierzone dwiema różnymi linijkami.

Żaden z nich nie jest nowym modelem

Warto powiedzieć to wprost, bo wiele stron porównawczych czyta się tak, jakby oba pojawiły się w zeszłym tygodniu.

xAI wydało Grok 4.5 8 lipca 2026 r. Został zbudowany na fundamencie V9 o 1,5 biliona parametrów i współtrenowany z Cursor na danych z sesji deweloperskich, a nie tylko na statycznym kodzie, i stąd bierze się jego reputacja w zakresie kodowania agentowego. Ma okno kontekstowe wynoszące 500 000 tokenów. Lista modeli samego dostawcy wciąż go dziś zawiera, obok dwóch następców — xAI wydało od tego czasu Grok 4.6 i Grok 4.7 — więc traktuj Grok 4.5 jako poziom $2/$6 w linii Grok, a nie jej szczyt.

OpenAI ogłosiło GPT-6 Astra 3 września 2026 r., ze stopniowym wdrażaniem w kolejnych dniach, i pozostaje on flagowym modelem OpenAI: okno kontekstu o wielkości 1 mln tokenów (katalog OrcaRouter podaje 1 050 000 tokenów wejściowych i 128 000 maksymalnych tokenów wyjściowych), próg odcięcia wiedzy 30 kwietnia 2026 r. oraz wyraźne pozycjonowanie na pracy agentowej o długim horyzoncie — korzystaniu z komputera, badaniach, zadaniach naukowych i z zakresu cyberbezpieczeństwa. Według samego OpenAI to pierwszy model, który przekroczył jego próg cyberbezpieczeństwa „Critical”, co jest też powodem, dla którego dostęp dla przedsiębiorstw jest domyślnie wyłączony, dopóki administrator go nie włączy.

Oba są ogólnie dostępne w API swoich dostawców. Żaden z nich nie ma premiery. Jedyną rzeczą, która w tym tygodniu się zmieniła, jest rodzina wokół jednego z nich, a o tym mowa na końcu tego tekstu, ponieważ zmienia to rekomendację, a nie samo porównanie.

Karty stawek, w tym poziom, którego nikt nie podaje

• Dane wejściowe, krótki kontekst — Grok 4.5 2,00 USD za 1 mln vs GPT-6 Astra 10,00 USD za 1 mln

• Dane wyjściowe, krótki kontekst — Grok 4.5 6,00 USD za 1 mln vs GPT-6 Astra 50,00 USD za 1 mln

• Wejście z pamięci podręcznej — Grok 4.5 0,30 USD za 1 mln vs GPT-6 Astra 1,00 USD za 1 mln

• Długi kontekst wejściowy — Grok 4.5 4,00 USD za 1 mln vs GPT-6 Astra 20,00 USD za 1 mln

• Długokontekstowe wyjście — Grok 4.5 12,00 USD za 1 mln vs GPT-6 Astra 75,00 USD za 1 mln

• Okno kontekstowe — Grok 4.5 500 000 tokenów vs GPT-6 Astra 1 000 000 tokenów

Klauzula, która ma znaczenie, to ta, której nie podaje niemal żadna strona z porównaniami. W Grok 4.5, gdy prompt żądania osiąga 200 000 tokenów, całe żądanie jest wyceniane ponownie według wyższej stawki — dokumentacja xAI wyraźnie stwierdza, że jest ono „rozliczane według wyższej stawki za wszystkie tokeny w żądaniu”, a nie tylko za tokeny powyżej tego progu. Zatem okno 500 000 tokenów jest realne, ale mniej więcej górne 60% tego okna rozliczane jest po podwójnej stawce. Strona z cennikiem OpenAI dla Astry podaje tę samą dwukolumnową strukturę krótki/długi, nie precyzując, gdzie znajduje się punkt graniczny, więc traktuj kolumnę długiego kontekstu jako tę, która obowiązuje, gdy pracujesz na dużą skalę, i potwierdź granicę na podstawie własnej faktury.

Na liczby Astry nakładają się dwa mnożniki na poziomie usługi: Batch i Flex działają przy połowie standardowej stawki, a tryb Fast przy podwójnej — 20,00 USD na wejściu i 100,00 USD na wyjściu w krótkim kontekście. Grok 4.5 nie ma poziomu Batch w cenniku xAI; jego dźwigniami są rabat na pamięć podręczną i przetwarzanie priorytetowe przy 2x.

Nasze własne stanowisko w tej całej sprawie jest celowo nudne: OrcaRouter przekazuje cenę katalogową dostawcy bez marży (0% marży), więc oba powyższe cenniki są aktualne po naszej stronie tego samego dnia, w którym którykolwiek dostawca je zmieni, a tokeny z pamięci podręcznej są rozliczane według stawki dostawcy za pamięć podręczną, a nie według pełnej ceny. Nie ma drugiej liczby do uzgodnienia.

Ile faktycznie kosztuje obciążenie

Ceny katalogowe są tu słabym przewodnikiem, ponieważ oba modele nie zużywają tej samej liczby tokenów do wykonania tego samego zadania. Weźmy zadanie agenta kodującego z kontekstem repozytorium o rozmiarze 120 000 tokenów i odpowiedzią o rozmiarze 25 000 tokenów. W Grok 4.5 to 0,24 USD za wejście i 0,15 USD za wyjście, czyli 0,39 USD. W GPT-6 Astra to 1,20 USD i 1,25 USD, czyli 2,45 USD. Różnica 6,3×.

Teraz przesuń prompt poza granicę długiego kontekstu: 300 000 tokenów na wejściu, 20 000 na wyjściu. Grok 4.5 nalicza $1.20 plus $0.24, czyli $1.44. GPT-6 Astra nalicza $6.00 plus $1.50, czyli $7.50. Różnica zmniejsza się do 5,2x, ponieważ obaj dostawcy podwajają stawkę wejściową, a mnożnik wyjściowy Astry maleje w najwyższym przedziale.

Żadna z tych wartości nie jest tym, co mierzy Artificial Analysis, a to ich liczba jest tą bardziej użyteczną. Przy uruchomieniu pełnego Intelligence Index średni koszt na ukończone zadanie wynosi 1,04 USD dla Grok 4.5 przy wysokim wysiłku i 3,26 USD dla GPT-6 Astra przy maksymalnym wysiłku. Powodem, dla którego mnożnik spada do 3,1x, gdy ceny wejściowe różnią się pięciokrotnie, jest efektywność tokenów: w całym indeksie Grok 4.5 wygenerował 77 mln tokenów wyjściowych, a Astra 60 mln. Astra jest bardziej zwięzłym modelem, więc zamyka część luki, którą otworzyła pod względem ceny. Jeśli w dokumencie budżetowym podawałeś „pięciokrotnie taniej”, to 3x będzie liczbą, która pojawi się na fakturze.

Szybkość to remis. Opóźnienie — nie.

To odkrycie nas zaskoczyło i przeczy intuicji, że to tani model jest tym szybkim.

Artificial Analysis mierzy Grok 4.5 na 55 tokenów wyjściowych na sekundę, a GPT-6 Astra na 58. To 5% różnicy przy tej samej wersji indeksu, a własne podsumowanie AA opisuje oba jako wolniejsze od średniej — mediana porównawcza wynosi 74 tokeny na sekundę. Jeśli przepustowość jest kryterium wyboru, te dwa modele się nie rozdzielają. Powiedz to wprost, zamiast sztucznie kreować zwycięzcę: na jedynym wskaźniku szybkości mierzonym w ten sam sposób dla obu, są na tym samym poziomie.

Opóźnienie dzieli je gwałtownie. AA podaje, że czas do pierwszego tokena odpowiedzi Grok 4.5 wynosi 10,94 sekundy, a end-to-end 20,01 sekundy; GPT-6 Astra — 342,30 sekundy, a end-to-end 350,91 sekundy. To około 31 razy, a w przypadku żądania synchronicznego to różnica między spinnerem a przerwą na kawę.

Dwie uczciwe uwagi, zanim ktokolwiek zaplanuje na tej podstawie budżet. Po pierwsze, to liczby uwzględniające rozumowanie — „czas do pierwszego tokenu odpowiedzi” AA celowo wlicza czas myślenia modelu — więc opisują trudne zadanie, a nie turę czatu. Po drugie, nie są dopasowane pod względem wysiłku: opublikowany wpis Astry jest przy maksymalnym wysiłku, Grok 4.5 przy wysokim, a ustawienie wysiłku to dokładnie to pokrętło, które zmienia tę liczbę. Własny wpis OrcaRoutera dla GPT-6 Astra pokazuje p50 czasu do pierwszego tokenu wynoszące 8,31 sekundy i p95 wynoszące 10,00 sekundy w ruchu na żywo, co jest zupełnie innym punktem pomiarowym — pierwszy token w rzeczywistych wywołaniach produkcyjnych, a nie pierwszy token odpowiedzi w zadaniu benchmarkowym. Tych dwóch nie można porównywać i nie należy umieszczać ich w jednym zdaniu jako porównania.

Benchmarki kodu: sprawdź wersję, zanim ją zacytujesz.

Wyszukaj to starcie, a znajdziesz 83,3% Groka 4.5 w Terminal-Bench 2.1 zestawione z 57,9% GPT-6 Astra w Terminal-Bench 4.0. To różne benchmarki noszące tę samą nazwę. Nie można ich porównywać, a strony z porównaniami, które je zestawiają, nie mówią ci nic.

Większość publikowanych przez obu dostawców wyników kodowania ma ten problem. Arkusz xAI dla Grok 4.5 podaje SWE-bench Pro 64,7%, Terminal-Bench 2.1 83,3%, DeepSWE 1.0 62,0% i DeepSWE 1.1 53%. Arkusz OpenAI dla Astra podaje Terminal-Bench 4.0 57,9%, OSWorld 2.0 72,6%, FrontierMath Tier 4 97,6% i ARC-AGI-3 99,9%. Wszystkie raportowane przez dostawców, a niemal żadne z nich się nie pokrywają.

Jest jedno miejsce, w którym oba naprawdę spotykają się w tym samym środowisku testowym: DeepSWE v1.1 od Datacurve, który przepuszcza każdy model przez ten sam szkielet mini-swe-agent na 113 oryginalnych zadaniach wolnych od kontaminacji. Tam GPT-6 Astra osiąga 74,1% przy koszcie około 6,52 USD na zadanie, podczas gdy Grok 4.5 osiąga 53%. To najczystszy pojedynczy wynik na tej stronie i zdecydowanie przemawia na korzyść Astry. Jeszcze jedno zastrzeżenie dotyczące konkretnie Grok 4.5: wynik CursorBench od xAI został wykluczony z publicznego porównania po tym, jak odkryto, że wcześniejsza baza kodu wyciekła do danych treningowych, więc każdą liczbę CursorBench dla tego modelu należy traktować jako nieprzydatną.

Zachowanie agentowe i wywoływanie narzędzi

Te dwa obierają różne drogi do tego samego celu, a różnica tkwi w architekturze, nie w partyturze.

Funkcje GPT-6 Astra skierowane do programistów zakładają, że budujesz orkiestrator. Obsługuje asynchroniczne wywoływanie narzędzi, więc oczekiwanie na narzędzie nie blokuje modelu przed kontynuowaniem innych zadań; sterowanie w trakcie zadania przez WebSockets, dzięki czemu trwające uruchomienie można przekierować bez jego restartowania; oraz możliwość regulowania wysiłku rozumowania w trakcie rozmowy. W Codex dodaje mechanizm zachowywania kontekstu, który przechowuje notatki między oknami kontekstu, a wcześniejszy kontekst pozostaje przeszukiwalny. Według doniesień karta systemowa samego OpenAI zauważa, że model jest trudniejszy do monitorowania niż jego poprzednik, co jest powodem, by traktować logi wywołań narzędzi i stan systemu — a nie narrację modelu — jako dowody audytowe.

Historia agentowości Grok 4.5 w mniejszym stopniu dotyczy nowych prymitywów, a w większym tego, gdzie model został wytrenowany. Współtrenowanie z Cursor na rzeczywistych sesjach edycji i debugowania wielu plików to element, któremu xAI przypisuje efektywność tokenową modelu w zadaniach programistycznych, i dlatego model pojawia się jako domyślny w środowiskach do kodowania, a nie jako flagowy model ogólnego przeznaczenia. Wywoływanie funkcji, ustrukturyzowane dane wyjściowe, strumieniowanie i buforowanie promptów są obsługiwane; wywoływanie narzędzi ma kształt zgodny z OpenAI, dlatego wdrożenie go w istniejącym kliencie sprowadza się do zmiany bazowego URL-a.

Nie istnieje wspólny, niezależny benchmark agentowy, w którym oba występują przy takim samym wysiłku, więc nie będziemy tu wymyślać zwycięzcy. Można powiedzieć, że interfejs wywoływania narzędzi Astra jest bardziej wyrazisty z tych dwóch w przypadku pracy długoterminowej, a ekonomia tokenów na zadanie w Grok 4.5 jest atrakcyjniejsza w przypadku pracy o dużym wolumenie.

Wybierz Grok 4.5, jeśli

• Uruchamiasz zadania o dużym wolumenie lub wysokiej częstotliwości, gdzie koszt pojedynczego zadania dominuje w decyzji, a wynik 39 w AA Intelligence Index spełnia Twoje kryteria jakości.

• Twoje prompty mieszczą się poniżej 200 000 tokenów. Właśnie wtedy przewaga cenowa Grok 4.5 jest największa, a ponowna wycena dla długiego kontekstu nigdy się nie uruchamia.

• Chcesz, żeby zniżka za cache naprawdę robiła różnicę. Przy 0,30 USD za milion tokenów wejściowych z cache w porównaniu z 1,00 USD w Astrze obciążenia z powtarzającym się prefiksem — długie prompty systemowe, współdzielony kontekst repozytorium — szybko tanieją.

• Potrzebujesz czasu do pierwszego tokenu poniżej minuty w trudnych zadaniach i nie możesz pozwolić sobie na wielominutowe oczekiwanie.

Wybierz GPT-6 Astra, jeśli

• Zadanie jest produktem, a rachunek to błąd zaokrąglenia w porównaniu z błędną odpowiedzią. Czternaście punktów w indeksie na tym końcu krzywej to realna różnica w możliwościach, a nie marketingowa.

• Pracujesz naprawdę powyżej 500 000 tokenów. Okno Astry jest w przybliżeniu dwa razy większe niż okno Grok 4.5, a Astra jest jedyną z tych dwóch, która osiąga ten poziom bez klauzuli zmiany ceny.

• Potrzebujesz funkcji computer use, deep research lub poziomu bezpieczeństwa cybernetycznego — w tym kontroli domyślnie wyłączonych w środowisku enterprise, które wchodzą w skład progu Critical OpenAI.

• Piszesz kod orkiestratora, który potrzebuje asynchronicznych wywołań narzędzi i sterowania w trakcie działania, a nie prostego wywołania typu żądanie-odpowiedź.

Co się zmieniło w tym tygodniu i dlaczego zmienia to rekomendację

22 września 2026 r. OpenAI udostępniło GPT-6 Sol i GPT-6 Luna w cenie 2,00 USD/10,00 USD oraz 0,10 USD/0,50 USD za milion tokenów, określając te stawki jako stałe, a nie promocyjne. Sol to model średniej klasy do kodowania i analizy, wyceniony na około jedną piątą ceny wejściowej Astra.

To ma znaczenie dla tej konkretnej decyzji. Jeśli powodem, dla którego rozważałeś Grok 4.5 w zestawieniu z GPT-6 Astra, była cena, uczciwym modelem do porównania po stronie OpenAI nie jest już Astra — Astra to flagowiec, a Sol zajmuje teraz tę klasę, w której Grok 4.5 faktycznie konkuruje. Grok 4.5 nadal jest tańszy od Sola na wyjściu (6,00 USD wobec 10,00 USD) i dorównuje mu na wejściu (po 2,00 USD), więc nie został wyparty; ale porównanie napisane przed tym tygodniem zestawiało model budżetowy z flagowcem i nazywało wynik historią o cenie.

To samo dotyczy xAI: własna lista modeli xAI obejmuje grok-4.6 i grok-4.7 obok grok-4.5, więc Grok 4.5 jest jedną z opcji w rodzinie, a nie aktualnym modelem z czołówki.

Co jest właściwym argumentem za routingiem, a nie wybieraniem. Stos dwóch modeli, który stale pojawia się w relacjach praktyków — wyślij większość do taniego modelu, eskaluj trudny ogon do drogiego — to decyzja routingowa i można ją wyrazić jako konfigurację, a nie przepisywanie kodu. OrcaRouter stawia oba modele za jednym API i jednym kluczem, z ceną katalogową dostawcy przekazywaną przy 0% marży, automatycznym przełączaniem awaryjnym między dostawcami oraz DSL routingu, który pozwala kierować pracę poniżej progu do grok/grok-4.5 i eskalować do openai/gpt-6-astra, gdy zadanie zawiedzie lub przekroczy próg rozmiaru. Możesz wypróbować drogą ścieżkę na wąskim wycinku ruchu, nie stawiając na nią produkcyjnego potoku.

Krótka wersja

GPT-6 Astra jest lepszym modelem. To nie jest nawet blisko, a ta strona byłaby bezwartościowa, gdyby udawała inaczej — 53 przeciwko 39 w tej samej wersji indeksu, 74,1% przeciwko 53% w jedynym benchmarku kodowania, do którego oba przystąpiły.

Grok 4.5 jest tańszym modelem, ale tylko 3,1-krotnie w przeliczeniu na ukończone zadanie, a nie 5–8,3-krotnie, jak sugeruje jego cennik, ponieważ Astra zużywa mniej tokenów, aby to osiągnąć. A w przypadku jedynego wskaźnika szybkości mierzonego identycznie dla obu, są na tym samym poziomie.

Decyzja nie dotyczy tego, który model wygrywa. Chodzi o to, czy 14-punktowa różnica w indeksie jest warta około trzykrotnie wyższego rachunku w Twoim konkretnym obciążeniu — i czy odpowiedź jest taka sama dla każdego żądania, które wysyłasz.