Grok 4.5 vs GPT-6 Astra: Sex gånger prislappen, tre gånger notan

Ställ Grok 4.5 och GPT-6 Astra sida vid sida på deras prislistor, och gapet ser absurt ut: $2.00 mot $10.00 per miljon indatatokens, $6.00 mot $50.00 per miljon utdatatokens. Kör samma två genom Artificial Analysis Intelligence Index och gapet krymper till något som ett team faktiskt kan argumentera om — $1.04 per slutförd uppgift mot $3.26. Prislappens multipel är 5x på indata och 8,3x på utdata. Fakturans multipel, mätt på verkliga tokenantal, är drygt 3x. Och dimensionen där dessa två modeller skiljer sig mest är ingen av dessa. Det är hur länge du väntar på första token, där den oberoende mätningen är 10,94 sekunder mot 342,30.

Det är hela jämförelsen i ett enda stycke, och det är därför den här sidan inte är någon kröning åt något håll. GPT-6 Astra är den mer intelligenta modellen med en tydlig och reproducerbar marginal. Grok 4.5 är den billigare med en marginal som är verklig men betydligt mindre än vad dess prislista antyder. Allt annat – hastighet, token-effektivitet, kontext, kodningsbenchmarkarna – antingen delar sig, blir lika, eller visar sig vara mätt med två olika måttstockar.

Ingen av dessa är en ny modell

Värt att säga rakt ut, för många jämförelsesidor låter som om båda dök upp förra veckan.

xAI släppte Grok 4.5 den 8 juli 2026. Den är byggd på V9-grundmodellen med 1,5 biljoner parametrar och samtränad med Cursor på data från utvecklarsessioner snarare än enbart statisk kod, vilket är varifrån dess rykte inom agentisk kodning kommer. Den har ett kontextfönster på 500 000 token. Leverantörens egen modellista listar den fortfarande idag, tillsammans med två efterträdare – xAI har sedan dess släppt Grok 4.6 och Grok 4.7 – så betrakta Grok 4.5 som $2/$6-nivån i Grok-serien snarare än toppen av den.

OpenAI tillkännagav GPT-6 Astra den 3 september 2026, med en stegvis utrullning under de följande dagarna, och den förblir OpenAI:s flaggskepp: ett kontextfönster på 1 miljon token (OrcaRouters katalog listar 1 050 000 indata och maximalt 128 000 utdata), en kunskapsgräns den 30 april 2026, och en tydlig positionering mot agentiskt arbete över långa tidshorisonter – datoranvändning, forskning, vetenskapliga och cybersäkerhetsrelaterade uppgifter. Enligt OpenAI:s egen beskrivning är det den första modellen som klarar dess "Critical"-tröskel för cybersäkerhet, vilket också är anledningen till att företagsåtkomst är avstängd som standard tills en administratör aktiverar den.

Båda är allmänt tillgängliga via sina leverantörers API:er. Ingen av dem lanseras. Det enda som har rört sig den här veckan är familjen kring en av dem, och det kommer i slutet av den här artikeln eftersom det förändrar rekommendationen snarare än jämförelsen.

Prislistorna, inklusive nivån som ingen citerar

• Indata, kort kontext — Grok 4.5 $2,00 per 1 miljon mot GPT-6 Astra $10,00 per 1 miljon

• Utdata, kort kontext — Grok 4.5 $6.00 per 1M mot GPT-6 Astra $50.00 per 1M

• Cachad indata — Grok 4.5 $0.30 per 1M mot GPT-6 Astra $1.00 per 1M

• Lång kontextinmatning — Grok 4.5: 4,00 USD per 1 miljon jämfört med GPT-6 Astra: 20,00 USD per 1 miljon

Långkontextutdata — Grok 4.5 $12,00 per 1M vs GPT-6 Astra $75,00 per 1M

• Kontextfönster — Grok 4.5 500 000 tokens mot GPT-6 Astra 1 000 000 tokens

Klausulen som spelar roll är den som nästan ingen jämförelsesida skriver ut. För Grok 4.5: när en begärans prompt når 200 000 tokens omprissätts hela begäran till den högre nivån – xAI:s dokumentation är tydlig med att den ”debiteras enligt den högre taxan för alla tokens i begäran”, inte bara för tokens efter gränsen. Så fönstret på 500 000 tokens är verkligt, men ungefär de översta 60 % av det debiteras dubbelt. OpenAIs prissida för Astra visar samma tvåkolumnsstruktur för kort/långt utan att ange var dess övergång ligger, så betrakta kolumnen för lång kontext som den som gäller när du arbetar i stor skala och bekräfta gränsen mot din egen faktura.

Två servicenivåmultiplikatorer ligger ovanpå Astras siffror: Batch och Flex ligger på halva standardtaxan, och Fast-läget ligger på det dubbla – 20,00 $ för input och 100,00 $ för output vid kort kontext. Grok 4.5 har ingen batch-nivå i xAI:s prislista; dess hävstänger är cacherabatten och prioriterad bearbetning vid 2x.

Vår egen hållning i allt detta är medvetet tråkig: OrcaRouter för vidare leverantörens listpris med 0 % påslag, så båda prislistorna ovan är live hos oss samma dag som någon av leverantörerna ändrar dem, och cachade tokens faktureras till leverantörens cachepris i stället för fullpris. Det finns inget andra nummer att stämma av.

Vad en arbetsbelastning faktiskt kostar

Prislappar är en dålig vägledning här, eftersom de två modellerna inte gör av med samma antal tokens för att slutföra samma uppgift. Ta en kodagentuppgift med ett repository-kontext på 120 000 tokens och ett svar på 25 000 tokens. På Grok 4.5 är det 0,24 $ för indata och 0,15 $ för utdata, alltså 0,39 $. På GPT-6 Astra är det 1,20 $ och 1,25 $, alltså 2,45 $. En skillnad på 6,3 gånger.

Nu trycker vi prompten förbi långkontextgränsen: 300 000 tokens in, 20 000 ut. Grok 4.5 debiterar $1,20 plus $0,24, eller $1,44. GPT-6 Astra debiterar $6,00 plus $1,50, eller $7,50. Gapet krymper till 5,2x, eftersom båda leverantörerna fördubblar indatapriset och Astras utdatamultipel minskar vid den högsta nivån.

Ingen av dem är vad Artificial Analysis mäter, och deras siffra är den mer användbara. Kör man hela Intelligence Index är den genomsnittliga kostnaden per slutförd uppgift 1,04 $ för Grok 4.5 vid hög ansträngning och 3,26 $ för GPT-6 Astra vid maximal ansträngning. Anledningen till att multipeln faller till 3,1x när inputpriset skiljer sig 5x är token-effektivitet: över indexet genererade Grok 4.5 77M output-tokens och Astra genererade 60M. Astra är den mer koncisa modellen, så den stänger en del av ett gap som den öppnade prismässigt. Om du har citerat ”fem gånger billigare” i ett budgetdokument är 3x siffran som kommer att synas på fakturan.

Hastighet är lika. Latens är det inte.

Detta är fyndet som förvånade oss, och det strider mot intuitionen att den billiga modellen är den snabba.

Artificial Analysis mäter Grok 4.5 till 55 utdatatokens per sekund och GPT-6 Astra till 58. Det är en skillnad på 5 % i samma revision av indexet, och AA:s egen sammanfattning beskriver båda som långsammare än genomsnittet – medianen för jämförelsen är 74 tokens per sekund. Om genomströmning är ditt urvalskriterium skiljer sig dessa två modeller inte åt. Säg det rakt ut i stället för att konstruera en vinnare: i det enda hastighetstal som mätts på samma sätt för båda ligger de lika.

Latensen skiljer dem åt på ett brutalt sätt. AA anger Grok 4.5:s tid till första svarstoken till 10,94 sekunder med 20,01 sekunder end-to-end; GPT-6 Astra till 342,30 sekunder med 350,91 sekunder end-to-end. Det är ungefär 31x, och vid ett synkront anrop är det skillnaden mellan en snurrande laddningsikon och en kaffepaus.

Två ärliga förbehåll innan någon budgeterar utifrån det. För det första är det siffror som inkluderar resonemang – AA:s ”tid till första svarstoken” räknar medvetet med modellens tanketid – så de beskriver en svår uppgift, inte en chattvända. För det andra är de inte matchade i ansträngning: Astras publicerade post ligger på max ansträngning, Grok 4.5:s på hög, och en ansträngningsinställning är precis den ratt som förändrar detta tal. OrcaRouters egen listning för GPT-6 Astra visar en p50-tid till första token på 8,31 sekunder och en p95 på 10,00 sekunder i verklig trafik, vilket är en helt annan mätpunkt – första token vid verkliga produktionsanrop, inte första svarstoken i en benchmarkuppgift. De två är inte jämförbara och bör inte sättas i samma mening som en jämförelse.

Kodningsbenchmarks: kontrollera versionen innan du citerar den

Sök efter den här matchningen och du kommer att hitta Grok 4.5:s 83,3 % på Terminal-Bench 2.1 ställt mot GPT-6 Astras 57,9 % på Terminal-Bench 4.0. Det är olika benchmarks som bär samma namn. De kan inte jämföras, och jämförelsesidorna som staplar dem säger dig ingenting.

De flesta av båda leverantörernas publicerade kodningssiffror har det här problemet. xAIs resultatblad för Grok 4.5 rapporterar SWE-bench Pro 64,7 %, Terminal-Bench 2.1 83,3 %, DeepSWE 1.0 62,0 % och DeepSWE 1.1 53 %. OpenAIs resultatblad för Astra rapporterar Terminal-Bench 4.0 57,9 %, OSWorld 2.0 72,6 %, FrontierMath Tier 4 97,6 % och ARC-AGI-3 99,9 %. Alla är leverantörsrapporterade, och nästan inga av dem överlappar varandra.

Det finns en plats där de två verkligen möts i samma utvärderingsram: DeepSWE v1.1 från Datacurve, som kör varje modell genom samma mini-swe-agent-scaffold på 113 originella, kontaminationsfria uppgifter. Där får GPT-6 Astra 74,1 % till ungefär 6,52 USD per uppgift, medan Grok 4.5 landar på 53 %. Det är det renaste enskilda resultatet på den här sidan, och det talar avgjort för Astra. Ytterligare ett förbehåll specifikt för Grok 4.5: xAI:s CursorBench-siffra uteslöts från offentlig jämförelse efter att det upptäcktes att en tidigare kodbas hade läckt in i träningen, så betrakta alla CursorBench-siffror för den här modellen som oanvändbara.

Agentiskt beteende och verktygsanrop

De två tar olika vägar till samma mål, och skillnaden är arkitektonisk snarare än en poäng.

GPT-6 Astras utvecklarorienterade funktioner förutsätter att du bygger en orkestrerare. Den stöder asynkrona verktygsanrop, så att väntan på ett verktyg inte blockerar modellen från att fortsätta med annat arbete; styrning under uppgiftens gång via WebSockets, så att en pågående körning kan omdirigeras utan att startas om; och resonemangsansträngning som kan justeras mitt i en konversation. I Codex lägger den till en mekanism för kontextbevarande som behåller anteckningar över kontextfönster medan tidigare kontext förblir sökbar. OpenAI:s eget systemkort uppges notera att modellen är svårare att övervaka än sin föregångare, vilket är ett skäl att behandla loggar över verktygsanrop och systemtillstånd – inte modellens berättande – som dina granskningsbevis.

Grok 4.5:s agentiska berättelse handlar mindre om nya primitiver och mer om var den tränades. Samträning med Cursor på verkliga redigerings- och felsökningssessioner över flera filer är det som xAI tillskriver dess token-effektivitet för mjukvaruuppgifter, och det är därför modellen dyker upp som standard i kodningsytor snarare än som ett allmänt flaggskepp. Funktionsanrop, strukturerad utdata, streaming och prompt-cachning stöds alla; verktygsanrop följer den OpenAI-kompatibla formen, vilket är anledningen till att det att lägga in den i en befintlig klient är en ändring av bas-URL.

Det finns ingen gemensam oberoende agentisk benchmark där båda förekommer vid matchad insats, så vi tänker inte utse någon vinnare här. Vad som kan sägas är att Astras yta för verktygsanrop är den mer uttrycksfulla av de två för arbete med lång horisont, och Grok 4.5:s tokenekonomi per uppgift är den mer attraktiva för arbete i hög volym.

Välj Grok 4.5 om

• Du kör arbete med hög volym eller hög frekvens där kostnaden per uppgift dominerar beslutet, och en 39:a på AA Intelligence Index klarar din kvalitetsribba.

• Dina prompter ligger under 200 000 tokens. Det är där Grok 4.5:s prisfördel är som störst och omprissättningen för lång kontext aldrig utlöses.

• Du vill att en cacherebatt ska göra verklig nytta. Till $0.30 per miljon cachade indatatoken jämfört med Astras $1.00 blir arbetsbelastningar med upprepade prefix — långa systempromptar, delad repo-kontext — snabbt billiga.

• Du behöver första-token-latens under en minut på svåra uppgifter och kan inte acceptera en väntetid på flera minuter.

Välj GPT-6 Astra om

• Uppgiften är själva produkten och räkningen är ett avrundningsfel jämfört med ett felaktigt svar. Fjorton indexpoäng i den här änden av kurvan är en verklig kapacitetsskillnad, inte en marknadsföringsmässig sådan.

• Du arbetar verkligen bortom 500 000 tokens. Astras fönster är ungefär dubbelt så stort som Grok 4.5:s, och det är det enda av de två som når det utan en omprissättningsklausul.

• Du behöver computer use, deep research eller cybersäkerhetsläget – inklusive de företagskontroller som är avstängda som standard och som följer med OpenAIs Critical-tröskel.

• Du skriver orkestratorkod som vill ha asynkrona verktygsanrop och styrning under körningens gång i stället för ett rakt förfrågan-svar-anrop.

Vad rörde sig den här veckan, och varför det ändrar rekommendationen

Den 22 september 2026 släppte OpenAI GPT-6 Sol och GPT-6 Luna till $2.00/$10.00 och $0.10/$0.50 per miljon tokens, och beskrev priserna som permanenta snarare än kampanjpriser. Sol är mellanklassmodellen för kodning och analys till ungefär en femtedel av Astra:s indatapris.

Det spelar roll för just det här beslutet. Om anledningen till att du vägde Grok 4.5 mot GPT-6 Astra var priset, är den ärliga jämförelsen på OpenAI:s sida inte längre Astra – Astra är flaggskeppet, och Sol intar nu den klass som Grok 4.5 faktiskt konkurrerar i. Grok 4.5 underbjuder fortfarande Sol på utdata (6,00 mot 10,00 dollar) och matchar den på indata (2,00 dollar vardera), så den är inte undanträngd; men en jämförelse som skrevs före den här veckan jämförde en värdeorienterad modell med ett flaggskepp och kallade resultatet för en prisberättelse.

Detsamma gäller för xAI:s del: xAI:s egen modellista innehåller grok-4.6 och grok-4.7 tillsammans med grok-4.5, så Grok 4.5 är ett alternativ i en familj snarare än den nuvarande framkanten.

Vilket är det egentliga argumentet för routning i stället för att välja. Den tvåmodellsstack som ständigt dyker upp i praktikers texter – skicka merparten till den billiga modellen, eskalera den svåra svansen till den dyra – är ett routningsbeslut, och det är ett du kan uttrycka som konfiguration i stället för en omskrivning. OrcaRouter sätter båda modellerna bakom ett API och en nyckel, med leverantörens listpris vidarebefordrat med 0 % påslag, automatisk redundansväxling mellan leverantörer, och ett routing-DSL som låter dig skicka arbete under en tröskel till grok/grok-4.5 och eskalera till openai/gpt-6-astra när en uppgift misslyckas eller passerar en storleksgräns. Du kan prova den dyra vägen på en smal del av trafiken utan att satsa en produktionspipeline på den.

Den korta versionen

GPT-6 Astra är den bättre modellen. Det är inte ens nära, och den här sidan skulle vara värdelös om den låtsades något annat — 53 mot 39 på samma indexrevision, 74,1 % mot 53 % på det enda kodningsbenchmark som båda har genomfört.

Grok 4.5 är den billigare modellen, men med 3,1x per slutförd uppgift snarare än 5x till 8,3x som dess prislista antyder, eftersom Astra gör av med färre tokens för att komma dit. Och i den enda hastighetssiffra som mäts identiskt för båda ligger de lika.

Beslutet handlar inte om vilken modell som vinner. Det handlar om huruvida ett indexgap på 14 punkter är värt ungefär tre gånger kostnaden för just din arbetsbelastning – och huruvida svaret är detsamma för varje förfrågan du skickar.