Grok 4.5 är xAI:s flaggskeppsmodell — dess smartaste hittills, med banbrytande prestanda inom kodning, kunskapsarbete och STEM. Byggd på V9-grunden med 1,5 biljoner parametrar och tränad tillsammans med Cursor-kodredigeraren, har den ett kontextfönster på 500 000 tokens och accepterar text-, bild- och filinmatning med textutdata. Den betonar stark agentisk kodning med anmärkningsvärd tokeneffektivitet — löser programvarutekniska uppgifter med betydligt färre utdata-tokens än jämförbara frontlinjemodeller — och prissätts aggressivt för högvolymproduktion.
Grok 4.5 är en multimodal stor språkmodell skapad av xAI. Den är utformad för att hantera mycket långa indata, med ett kontextfönster på 500 000 tokens. Det innebär att den kan bearbeta cirka 400 000…
Grok 4.5 accepterar tre inmatningsmodaliteter: text, bilder och filer. Text kan inkluderas naturligt i användarmeddelandet. Bilder kan tillhandahållas som URL:er eller som base64-kodade data i innehållsarrayen, enligt OpenAIs multimodala format. Filer stöds genom samma mekanism: användare kan bifoga binärdata (t.ex. PDF:er, Word-dokument) som en del av begäran. Modellen bearbetar dessa indata tillsammans, vilket gör att den kan resonera över olika informationstyper. Till exempel kan en uppmaning innehålla ett skannat kontrakt (bild) tillsammans med frågor om specifika klausuler, och Grok 4.5 extraherar text från bilden och svarar därefter. Denna multimodala förmåga eliminerar behovet av att förbearbeta filer innan de skickas till API:et, vilket förenklar pipeline-designen.
Kontextfönstret på 500 000 token innebär att Grok 4.5 kan överväga upp till en halv miljon token av indata och utdata tillsammans i en enda begäran. Ett token motsvarar ungefär 0,75 ord för engelsk text, så modellen kan hantera omkring 375 000 till 400 000 ord. Detta gör att användare kan mata in hela dokument, långa konversationer eller stora dataset utan att dela upp dem i delar. Modellen upprätthåller sammanhang över hela kontexten, vilket möjliggör uppgifter som att sammanfatta ett bokkapitel, analysera ett fullständigt kodarkiv eller hålla en flervägsdialog intakt. Längre indata ökar dock kostnaden proportionellt eftersom prissättningen är per token. För bästa balans bör användare skicka endast nödvändig kontext, men det stora fönstret minskar behovet av datatrunkering.
Grok 4.5 utmärker sig för uppgifter som kräver djup förståelse av långt eller multimodalt innehåll. Viktiga exempel inkluderar: att extrahera information från hundratals sidor av forskningsartiklar, analysera bilder av diagram och tabeller tillsammans med relaterad text, granska juridiska dokument för specifika klausuler, sammanfatta långa mötesprotokoll och felsöka stora mjukvaruprojekt genom att undersöka fullständiga loggfiler. Modellen kan också hantera komplexa resonemangskedjor som är beroende av tidigare delar av en prompt. Den är mindre lämpad för mycket enkla eller engångsuppgifter där en mindre, billigare modell skulle räcka – till exempel att generera korta e-postsvar eller enkel klassificering. Användare bör utvärdera om uppgiften verkligen behöver det stora kontextfönstret för att motivera den högre kostnaden per token jämfört med mindre modeller som finns tillgängliga på OrcaRouter.
Grok 4.5 är prissatt till $2.00 per 1M inmatningstokens och $6.00 per 1M utmatningstokens. Om ditt användningsfall inte kräver 500k kontextfönster eller multimodal indata kan du spara kostnader genom att använda en mindre modell som finns tillgänglig via OrcaRouter. Exempel på uppgifter som lämpar sig bättre för billigare modeller inkluderar: enkel klassificering eller extraktion från korta utdrag, enkel frågebesvarande över små dokument, grundläggande sentimentanalys och generering av mycket korta svar. Om din applikation dessutom kräver låg latens för högvolymproduktionstrafik kan en mindre modell erbjuda snabbare svarstider. Utvärdera avvägningen: för uppgifter där den utökade kontexten och multimodala förmågan inte ger någon fördel är den extra kostnaden per token onödig.
Specifika benchmarkpoäng för Grok 4.5 har inte offentliggjorts av xAI för närvarande. Modellen är avsedd att vara en mycket kapabel stor språkmodell, men utan standardiserade utvärderingssiffror bör användare bedöma dess prestanda genom egna tester på representativa uppgifter. Faktorer som påverkar verkliga prestanda inkluderar promptdesign, uppgiftens komplexitet och kvaliteten på indata. Med sitt stora kontextfönster kan modellen prestera särskilt bra på uppgifter som kräver att information ska behållas över extremt långa sekvenser. Vi rekommenderar att du kör benchmarkutvärderingar på dina specifika användningsfall med OrcaRouter API för att mäta noggrannhet, latens och utdatakvalitet.
Latensen för Grok 4.5 anges inte offentligt av xAI. Eftersom modellen har ett stort parameterantal och stödjer ett 500k kontextfönster, kommer inferenstiden generellt sett att vara längre än för mindre modeller, särskilt vid bearbetning av långa indata. Användare kan förvänta sig högre time-to-first-token och total genereringstid jämfört med modeller med färre parametrar. För att optimera, håll indataprompterna så koncisa som möjligt medan nödvändig kontext fortfarande ges. Om låg latens är avgörande för din applikation – såsom realtidschatt – kan du vilja testa svarstiden via OrcaRouter API med typiska indatastorlekar innan du åtar dig produktionsanvändning. OrcaRouter tillför ingen betydande overhead; den huvudsakliga latensen kommer från den underliggande modellinferensen.
Grok 4.5:s främsta styrka är dess stora 500k kontextfönster, vilket möjliggör sammanhängande resonemang över mycket långa sekvenser. Den drar också nytta av multimodal inmatning, vilket gör att den kan bearbeta bilder och filer direkt. Dessa funktioner gör den kraftfull för dokumentanalys, forskning och alla uppgifter som kräver utökad kontext. Begränsningar inkluderar högre kostnad per token jämfört med mindre modeller, och troligen högre latens. Dessutom, eftersom xAI inte har offentliggjort benchmarkresultat, kan användare inte lita på jämförelser från tredje part. Modellens beteende inom mycket specifika domäner (t.ex. medicinska eller juridiska) bör valideras genom testning. Liksom alla LLM:er kan den ibland producera felaktigt eller hallucinerat innehåll, särskilt vid tvetydiga uppmaningar. Granska alltid utdata för kritiska tillämpningar.
Grok 4.5 prissätts baserat på antalet tokens som bearbetas. Inmatningstokens kostar $2.00 per 1 miljon tokens, och utmatningstokens kostar $6.00 per 1 miljon tokens. Detta är den leverantörsavgift som satts av xAI, och OrcaRouter förmedlar den utan påslag. Fakturering är användningsbaserad: du betalar endast för de tokens du faktiskt skickar och tar emot. Fönstret på 500,000 tokens innebär att en full kontextprompt (500k inmatningstokens) skulle kosta $1.00 för enbart inmatning ($2.00 * 0.5M). Utmatningstokens faktureras till tre gånger inmatningsavgiften. För att uppskatta kostnader, beräkna totala antalet inmatningstokens (inklusive systemmeddelande, användarmeddelanden, bilder och filer kodade som tokens) och förväntad utmatningslängd. Använd tokenizern från OrcaRouter för att räkna tokens innan du skickar.
Nej. OrcaRouter debiterar exakt leverantörens pris för Grok 4.5: $2,00 per 1M inmatningstoken och $6,00 per 1M utmatningstoken. Det finns inga dolda avgifter, inga påslag per förfrågan och ingen påslagning. Din faktura kommer att återspegla den råa tokenanvändningen multiplicerad med dessa priser. OrcaRouter kan erbjuda API-nyckelhantering och åtkomst utan extra kostnad. De enda avgifterna är för beräkningen som modellen förbrukar. Var medveten om att token som används för multimodala inmatningar (bilder, filer) räknas till samma inmatningspris – det finns ingen separat prissättning för olika modaliteter. Kontrollera alltid ditt tokenantal från API-svaret för att stämma av användningen.
Med ett 500k kontextfönster kan kostnaden för att bearbeta en full prompt vara betydande. För en enskild begäran med 500k inmatnings- och 1k utmatningstokens är inmatningskostnaden $1.00 och utmatningskostnaden $0.006, totalt ~$1.006. Om du skickar många sådana förfrågningar ökar kostnaderna snabbt. Men för uppgifter som gynnas av att inte delas upp kan möjligheten att utföra en enda stor fråga spara ingenjörstid och öka noggrannheten. Jämför detta med en mindre modell med ett kortare kontextfönster som skulle kräva flera anrop och manuell sammanfogning, vilket potentiellt medför högre overhead. Kostnaden per token är fast; värdet kommer från kontextfönstrets storlek och multimodal förmåga. Användare bör uppskatta totala månatliga tokens och modellera därefter.
OrcaRouter erbjuder för närvarande inte ett dedikerat cachesystem för Grok 4.5-svar. Prissättningen baseras på de tokens som xAI debiterar per förfrågan; om du skickar samma fråga flera gånger debiteras varje förfrågan till fullt pris. Det finns ingen rabatt för upprepade eller cachade utdata. För att minska kostnaderna, undvik att skicka identiska eller nästan identiska frågor. Du kan implementera ditt eget cachelager på klientsidan – till exempel lagra vanliga frågeresultat lokalt och endast anropa API:t när en ny eller modifierad fråga behövs. Observera att inmatningstoken alltid debiteras, även om utmatningen är trivial. För upprepade mönster, gruppera liknande inmatningar tillsammans där det är möjligt.
För att använda Grok 4.5, skicka en POST-begäran till https://api.orcarouter.ai/v1/chat/completions. Ställ in model-parametern till "grok/grok-4.5". Begäran följer OpenAI:s chattkompletteringsformat, inklusive messages-array med roller (system, user, assistant). För multimodal indata, inkludera innehållsdelar av typ "text" och "image_url". Exempel (Python): import openai client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key="YOUR_KEY") response = client.chat.completions.create(model="grok/grok-4.5", messages=[{"role":"user", "content":[{"type":"text","text":"Describe this image:"}, {"type":"image_url", "image_url":{"url":"https://example.com/pic.jpg"}}]}]) print(response.choices[0].message.content) Se till att din API-nyckel har åtkomst till modellen grok/grok-4.5. Använd samma slutpunkter som OpenAI för streaming, funktionsanrop och andra funktioner.
OrcaRouter API för Grok 4.5 stöder standard OpenAI-parametrar: 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop', 'stream', 'n' och 'seed'. Parametern 'max_tokens' begränsar längden på det genererade svaret. 'temperature' styr slumpmässighet (0=deterministiskt, 2=mycket slumpmässigt). 'top_p' implementerar nucleus-sampling. 'frequency_penalty' och 'presence_penalty' minskar upprepning. För streaming, sätt 'stream' till true för att ta emot tokens inkrementellt. Parametern 'n' tillåter generering av flera kompletteringar. 'seed' möjliggör deterministiska utdata om reproducerbarhet behövs. Observera att modellens kontextfönster är 500k tokens totalt (indata + utdata kombinerat). För att undvika fel, se till att dina indatatokens plus begärda max_tokens inte överstiger denna gräns. OrcaRouter returnerar ett fel om prompten är för lång.
Att migrera befintlig OpenAI-kompatibel kod för att anropa Grok 4.5 via OrcaRouter kräver endast en ändring av bas-URL och modellnamn. Istället för https://api.openai.com/v1, använd https://api.orcarouter.ai/v1. Ersätt modellidentifieraren med "grok/grok-4.5". Din API-nyckel ska vara den som tillhandahålls av OrcaRouter. Alla andra parametrar och meddelandeformat förblir desamma. För bibliotek som openai Python-paketet, uppdatera klientinitieringen: `client = openai.OpenAI(base_url="https://api.orcarouter.ai/v1", api_key=ORCAROUTER_KEY)`. Det finns inget behov av att ändra meddelandestrukturer, strömningslogik eller svarhantering. Testa med en liten prompt för att bekräfta anslutning och svarformat. OrcaRouter stöder också samma felkoder och rate-limiting-huvuden som OpenAI, vilket gör migreringen enkel.
Grok 4.5, GPT-4 och Claude är alla stora språkmodeller men skiljer sig åt i viktiga aspekter. Grok 4.5 erbjuder ett kontextfönster på 500k tokens, vilket är större än GPT-4 Turbo (128k) och Claude 3.5 Sonnet (200k). Detta gör Grok 4.5 bättre lämpad för mycket långa dokument eller konversationer utan att behöva dela upp dem. Grok 4.5 stöder även bild- och filinmatning, liknande GPT-4 Vision och Claudes multimodala kapacitet. Priser: Grok 4.5 är $2/$6 per 1M tokens, GPT-4o är $2.50/$10, Claude 3.5 Sonnet är $3/$15. Så Grok 4.5 är billigare per token för utdata men identisk eller något billigare för indata jämfört med GPT-4o och Claude. Latens och noggrannhet varierar beroende på användningsfall; utan publicerade riktmärken är direkt prestandajämförelse inte möjlig. Utvecklare bör testa Grok 4.5 mot alternativ på sina specifika uppgifter.
OrcaRouter ger tillgång till många modeller förutom Grok 4.5. För uppgifter som inte behöver 500k kontextfönstret finns billigare alternativ som GPT-4o mini ($0.15/$0.60), Claude 3 Haiku ($0.25/$1.25) och Llama 3.1 70B ($0.59/$0.79). För multimodala uppgifter är GPT-4o och Claude 3.5 Sonnet alternativ med olika prissättning och kontextstorlekar. För extremt lång kontext erbjuder Gemini 1.5 Pro 1M tokens men till högre kostnad. Om du behöver specifika funktioner som funktionsanrop eller JSON-läge, stöder många modeller dem. Välj Grok 4.5 när den stora kontexten och noll-påslagsprissättningen överväger behovet av lägre kostnad per token eller specifika ekosystemintegrationer. Överväg alltid avvägningarna mellan latens, noggrannhet och kostnad för just ditt arbetsflöde.
Hos stora leverantörer är Grok 4.5:s prissättning konkurrenskraftig för dess kontextfönsterstorlek. Inmatning: $2.00/M tokens jämfört med GPT-4o ($2.50), Claude 3.5 Sonnet ($3.00), Gemini 1.5 Pro ($3.50). Utmatning: $6.00/M jämfört med GPT-4o ($10.00), Claude 3.5 Sonnet ($15.00), Gemini 1.5 Pro ($10.50). Grok 4.5 är billigare på både inmatning och utmatning jämfört med dessa modeller. Mindre modeller som GPT-4o mini eller Claude 3 Haiku är dock betydligt billigare. Värdepropositionen för Grok 4.5 ligger i dess 500k kontextfönster – om du inte behöver det är en billigare modell bättre. Dessutom säkerställer OrcaRouters nollpåslagspolicy att du betalar exakt xAI:s listpris. Inga andra gatewayavgifter läggs till, vilket gör Grok 4.5 till ett av de mest kostnadseffektiva alternativen för långkontext multimodala uppgifter.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="grok/grok-4.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)frequency_penaltyinclude_reasoninglogprobsmax_tokenspresence_penaltyreasoningresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_logprobstop_p| Inmatning / 1M token | $2.00 |
| Utdata / 1M tokens | $6.00 |
| Cacheläsning / 1M | $0.500 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
@misc{orcarouter_grok_4_5,
title = {Grok 4.5 API},
author = {xAI},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/grok/grok-4.5}
}xAI. (2026). Grok 4.5 API. OrcaRouter. https://www.orcarouter.ai/models/grok/grok-4.5