
Claude Opus 5.5 对比 Grok 4.8:一个你能调用的模型,一个你无法兑现的承诺
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 77 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
打造Grok 4.8的公司的 CEO 被直接问到:它与Claude Opus 5.5相比如何。他于 2026 年 11 月 10 日在 X 上给出的回答,是关于这场对决所发布过的最有用的内容:“不如它。Opus 5.5 是杰作。但 Grok 5 应该会超过 Opus 5.5,也许这会在两三个月内发生,此后还会持续加速。”这是埃隆·马斯克在承认这一比较,而十二天后,这也成了关于 Grok 4.8 能力的全部公开记录。
因为 Grok 4.8 不是一个可以调用的模型。SpaceXSI 自己的开发者文档——模型列表、定价页面和发布说明,均于 2026年11月19日查阅——将grok-4.7列为最新条目,并且完全没有grok-4.8这一行:没有标识符,没有价目表,没有上下文窗口,也没有已发布的评估。Artificial Analysis 没有它的页面;请求返回 404。相比之下,Claude Opus 5.5 自 2026年9月22日起已全面可用,具有模型 ID、价目表以及八周的独立测量。

所以这个页面真正有用的版本,并不是两份规格表的对比,而是把已交付的模型与对外宣称的时间表放在一起比较,再加上马斯克那番承认确实能敲定的一件事:今天到底该跑什么。
这一让步比表面看起来更有价值
厂商不会在自家未发布模型的基准测试上让步,而随之而来的附加说明——Grok 5 将在两三个月后超越 Opus 5.5——是关于另一个模型的声明,而非本文标题中的那个模型。这两种说法都没有附带基准测试、测试名称或日期。若将其视为时间表而非规格说明,它向开发者传达了两件事:Grok 4.8 不会成为弥合差距的模型,并且公司自己的预期是,这一差距将持续到 2027 年第一季度。
对于任何目前正在基于 Grok 4.7 进行构建、并犹豫是否要等待的人来说,这是一个意味深长的承认。来自供应商自家负责人的回答是:等待是在押注 Grok 5,而不是 Grok 4.8。
为什么 Grok 4.8 延期了
马斯克11月10日的帖子比任何发布说明都给出了更具体的说法。Grok 4.8 的预训练已完成。团队正处于强化学习阶段,并且不得不重做用于监督微调的数据。所给出的延迟原因之一是基础设施重建:SpaceXSI 从 JAX 和 SGLang 迁移到了自有的 RL 系统和自有推理栈。在模型强化学习阶段中途重建训练与服务底层基础设施,是那种会体现在日程表上而非变更日志里的决定;对于一款自9月以来一直“即将发布”的模型来说,这是目前给出的最合理可信的解释。
值得做的对比,不是与 Claude Opus 5.5 的发布相比——那次发布平淡无奇、如期而至——而是与那份平淡所换来的东西相比:八周稳定的标识符、公开的价格和第三方评分,而彼时竞争模型正处在技术栈重写之中。稳定性本身就是一项特性,而这恰恰是 Grok 4.8 始终未能交付的那一项。
你实际能运行的是:Grok 4.7 对阵 Opus 5.5
Grok 4.7 是 SpaceXSI 在 4.8 完成前会卖给你的模型。它于 2026 年 9 月 21 日发布——比 Opus 5.5 早一天——拥有 50 万 token 的上下文窗口,标价为每百万输入 token 2.00 美元、每百万输出 token 6.00 美元。因此,按发布日期看,这两个模型属于同一代,这使得这些独立数据成为现有最公允的参考,用来判断 Grok 4.8 必须超越什么,以及 Grok 的一次发布距离前沿有多远。
• 智能指数——Claude Opus 5.5 为 59.1,Grok 4.7 为 35.5,相差 23.6 分。
• 每项 Index 任务的成本——$10.04 对比 $7.77,因此尽管标价便宜了 70%,Grok 4.7 每完成一项任务也只便宜 23%。
• Terminal-Bench 4.0 — 59.6% 对 25.8%。在智能体终端任务上,Opus 5.5 的成绩是 Grok 4.7 的两倍多。
• Terminal-Bench-Science 0.1 — 59.0% 对比 11.4%。
• FrontierCode-AA 2.0 — 46.4% 对比 28.7%。
• HLE-Diamond — 67.9% 对比 23.2%。
• GDPval-AA v2.1 —— 1866 Elo 对 1717,以 149 分的差距成为此处最小的差距。
AnalystAgent — 56.3% 对 52.5%,是本组中最接近的基准。
• AA-Omniscience — 幻觉率为 50.3% 时为 48.1,而幻觉率为 20.0% 时为 31.2。
• 上下文与速度 —— 100 万 token 下 117 tok/s,对比 50 万 token 下 71 tok/s。

真正有意思的是分布情况。Grok 4.7 并非在所有方面都差 24 分:在经济价值榜单 GDPval 上,差距在 8% 以内;在 AnalystAgent 上,差距在 4 分以内。这些基准奖励的是专业产出的广度,而非执行深度。而在任务要求正确执行一长串步骤的地方——终端任务、科学终端任务、智能体编程——差距是整个榜单上最大的。23.6 分的综合成绩,实际上描述的是某一特定弱点在一整套测试中不断累积放大。
每任务成本这个数字,正是对 Grok 定价的控诉。
每百万 token 2 美元/6 美元的标价对比 4 美元/20 美元,在输出价格上看似有 2.5 倍优势。Artificial Analysis 实测每任务为 7.77 美元对 10.04 美元——实际优势为 23%。原因在于,Grok 4.7 在整个 Index 套件中生成了 1.48 亿个输出 token,而 Opus 5.5 生成了 2.18 亿个,仅有 1.5 倍优势;并且 Grok 4.7 的生成速度为 71 tok/s,而 Opus 5.5 为 117。
综合来看,相对于其价格,Grok 4.7 不仅更啰嗦,实际耗时也更慢:每个 Index 任务耗时 24.4 分钟,而另一者是 24.6 分钟。延迟几乎相同,能力却少了 24 个 Index 分,还省了 23%——这算不上价值主张,只是给更差的产品打了个折。任何因为价目表而选择 Grok 4.7 的人,一直在为这种“特权”买单。
Claude Opus 5.5 也不便宜:每项任务 10.04 美元,使它处在榜单的昂贵一端,而且 24.6 分钟的任务耗时确实很慢。但至少这笔钱换来了些东西。在这个榜单上,成本效益的正确比较对象并不是这两者——而是 GPT-6.2 Sol,每项任务 1.01 美元、指数 57.3,正是这个配置让两者的定价都显得很不合理。
要让 Grok 4.8 改变这一点,需要具备什么条件?
如果你是在规划迁移而不是采购,这部分值得一读。一个经过重做监督微调、从 RL 中产出的模型,可能在两个方向上都有很大变化,而 Grok 4.7 未通过的那些具体基准,正是针对可验证任务的 RL 往往最先修复的。终端工作、智能体编程和科学执行都具有机器可检查的奖励,而这正是 RL 阶段所优化的。如果 Grok 4.8 相对于 4.7 的 25.8% 在 Terminal-Bench 上取得大幅提升,那就是这次 RL 运行奏效的信号。
要让这一切变得可操作,必须先出现三件事:一个grok-4.8标识符出现在SpaceXSI的文档中。一份价目表——并且请注意,新的推理栈是价格朝任一方向变化的合理原因。以及一份已发布的评估,因为马斯克本月自己的表态明确贬低了基准分数作为质量衡量标准的意义,这意味着厂商自己关于4.8的材料不太可能以数字表格的形式出现。
在这些东西出现之前,诚实的估计是:Grok 4.8 落在 Grok 4.7 和 Opus 5.5 之间的某个位置,而 SpaceXSI 之外没有人知道具体在哪里。今天任何给你提供 Grok 4.8 上下文窗口、价格或评分的页面,都是编造出来的。
选择今天
Grok 4.8 不在考虑范围内。Claude Opus 5.5 在考虑范围内,与 Grok 4.7 以及真正竞争同一位置的模型一起。
如果你的工作是长时程智能体执行——编码智能体、终端自动化、多步骤研究——那么 Claude Opus 5.5 在每一项执行基准上都以任何提示工程都无法弥合的差距胜出,而完成同样任务时,每个任务的成本比 Grok 4.7 高约 29%。这是一笔公平的交易,也是一个显而易见的选择。
如果你的工作是专业广度型——分析、起草、经济价值类任务——两者已经足够接近,以至于 23% 的节省或许足以让 Grok 4.7 变得合理,前提是你能接受 500K 而非 1M 的上下文窗口,以及 Omniscience 综合得分为 31 对 48 所意味着的较低召回率。
如果你基于 Grok 构建,并希望专门针对这类失误进行对冲,实用的做法是把模型选择留在代码之外。两者都可以通过一个 OrcaRouter 密钥访问——anthropic/claude-opus-5.5 和 grok/grok-4.7——按提供商标价 0% 加价,因此 Grok 4.7 这一行就是厂商自己的费率,而 SpaceXSI 对 4.8 的价格调整会在公布当天生效,而不是等你发现的那天。把路由规则设为优先选择你的评估认为更强的模型,并让自动故障转移处理在运行中途停止响应的提供商。当 Grok 4.8 真正出现时,添加它只是一个路由条目,而不是一次迁移。

底线——如果这也能算底线的话
马斯克表示,Grok 4.8 不如 Claude Opus 5.5,随后又说 Grok 5 或许能在两三个月后达到那个水平。若按字面理解,这就意味着在两个季度的窗口期内,用于智能体执行的前沿模型仍是九月发布的那一款。请据此做规划,并把任何 Grok 4.8 的发布公告都视为重新运行评估的理由,而不是重写集成的理由。
本文中的对比1
根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新
