為 Claude Opus 5.5 與 Grok 4.8 生成的標題卡,包含三個標籤,分別寫著「Grok 4.8:未公布模型 ID」、「在強化學習中,2026 年 11 月 10 日」和「最接近的可呼叫版本:Grok 4.7」,頁腳並註明 SpaceXSI 開發者文件已於 2026 年 11 月 19 日查核。OrcaRouter 標誌位於右下角。
Guides & Insights

Claude Opus 5.5 對比 Grok 4.8:一個你能呼叫的模型,一個你無法兌現的承諾

作者

Gideon Frost

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

的公司執行長Grok 4.8被直接問到它與Claude Opus 5.5相比如何。他的回答——2026 年 11 月 10 日於 X 上——是任何人針對這場對決所發表過最有用的內容:「不如它。Opus 5.5 是傑作。但 Grok 5 應該會超越 Opus 5.5,也許會在 2 或 3 個月內發生,之後持續加速。」這是伊隆·馬斯克承認這場比較的結果,而且十二天後,這也是關於 Grok 4.8 能力的全部公開紀錄。

因為 Grok 4.8 並非可供呼叫的模型。SpaceXSI 自家的開發者文件——模型清單、定價頁面與版本說明,皆於 2026 年 11 月 19 日讀取——將grok-4.7列為最新項目,而且完全沒有grok-4.8這一列:沒有識別碼、沒有費率表、沒有上下文視窗、沒有已發布的評測。Artificial Analysis 沒有它的頁面;請求會傳回 404。相較之下,Claude Opus 5.5 自 2026 年 9 月 22 日起已正式全面提供,具備模型 ID、費率表,以及八週的獨立測量。

Headless capture of SpaceXSI's Grok models and pricing documentation, showing the left-hand navigation listing 'Grok 4.7' as the latest model and the models and pricing pages, with no grok-4.8 entry in the model list.

所以,這個頁面真正有用的版本,並不是兩份規格表的比較。而是把已出貨的模型與明示的時程相比,再加上馬斯克這番坦承確實釐清的一件事:今天該跑什麼。

這項讓步比表面上看起來更有價值。

廠商不會對自家尚未發布的模型在基準測試上讓步,而隨之而來的附帶說明——Grok 5 將在兩、三個月內超越 Opus 5.5——是關於另一個模型的說法,並非本文標題所指的模型。這兩種說法都沒有附上基準測試、測試名稱或日期。若把它當成時程表而非規格書來解讀,它告訴開發者兩件事:Grok 4.8 不會是縮小差距的模型,而該公司自己的預期是,這個差距會持續到 2027 年第一季。

對目前正在 Grok 4.7 上開發、並猶豫是否該等待的人來說,這是一項意味深長的坦承。來自廠商自家負責人的答案是:等待是押注在 Grok 5,而不是 Grok 4.8。

為何 Grok 4.8 延期了

馬斯克 11 月 10 日的貼文提供了比任何發布說明都更具體的交代。Grok 4.8 的預訓練已完成。團隊正處於強化學習階段,而且不得不重做用於監督式微調的資料。所陳述的延遲原因之一是基礎設施重建:SpaceXSI 從 JAX 和 SGLang 轉移到自家的 RL 系統與自家的推論堆疊。在模型的 RL 階段中途重建訓練與服務基底,是那種會反映在時程表上、而不會出現在變更日誌裡的決策;而對於一個自九月以來一直「即將推出」的模型來說,這是目前所提供的最合理說明。

值得拿來對比的,不是 Claude Opus 5.5 那場平淡無奇、如期而至的發布,而是那份平淡所換來的東西:八週穩定的識別碼、公開的價格與第三方評分,而在此同時,競爭模型正處於堆疊重寫之中。穩定性本身就是一項功能,而這正是 Grok 4.8 始終未能交付的一項。

你實際能跑的是什麼:Grok 4.7 對上 Opus 5.5

Grok 4.7 是 SpaceXSI 在 4.8 完成前會賣給你的模型。它於 2026 年 9 月 21 日推出——比 Opus 5.5 早一天——具備 500,000 個 token 的上下文視窗,定價為每百萬輸入 token 2.00 美元、每百萬輸出 token 6.00 美元。因此,就發布日期而言,這兩款模型屬於同一世代;這使得這些獨立數字成為目前最公平的判讀依據,用來說明 Grok 4.8 必須超越的門檻,以及 Grok 的一次發布距離前沿還有多遠。

• 智慧指數 — Claude Opus 5.5 為 59.1,Grok 4.7 為 35.5,相差 23.6 分。

• 每項 Index 任務的成本 — $10.04 對比 $7.77,因此儘管 Grok 4.7 的標價便宜了 70%,每項完成任務的成本卻只便宜 23%。

• Terminal-Bench 4.0 — 59.6% 對 25.8%。在代理式終端機任務上,Opus 5.5 的成績超過 Grok 4.7 的兩倍。

• Terminal-Bench-Science 0.1 — 59.0% 對比 11.4%。

• FrontierCode-AA 2.0 — 46.4% 對比 28.7%。

• HLE-Diamond — 67.9% 對 23.2%。

• GDPval-AA v2.1 — 1866 Elo 對上 1717,是這裡差距最小的,僅 149 分。

• AnalystAgent — 56.3% 對 52.5%,是這組中最接近的基準。

• AA-Omniscience — 48.1,幻覺率 50.3%,相較於 31.2,幻覺率 20.0%。

• 上下文與速度 — 1M token 以 117 tok/s 對比 500K token 以 71 tok/s。

Generated two-column scoreboard titled 'Claude Opus 5.5 vs Grok 4.7 - the scoreboard'. Left column Claude Opus 5.5 rows: Intelligence Index 59.1, cost per task $10.04, Terminal-Bench 4.0 59.6%, HLE-Diamond 67.9%, context 1M tokens, price $4 / $20. Right column Grok 4.7 rows: Intelligence Index 35.5, cost per task $7.77, Terminal-Bench 4.0 25.8%, HLE-Diamond 23.2%, context 500K tokens, price $2 / $6. Footer: both per Artificial Analysis index v5.0.1, Grok 4.8 is unscored. OrcaRouter logo bottom-right.

分佈才是有趣的部分。Grok 4.7 並非在所有地方都差了 24 分:在 GDPval 這個經濟價值排行榜上,它的差距在 8% 以內;在 AnalystAgent 上則在 4% 以內。這些基準測試獎勵的是專業產出的廣度,而非執行的深度。當任務要求正確執行一長串序列時——終端機工作、科學終端機工作、代理式編碼——差距是榜上最大的。23.6 分的綜合分數,其實是在描述某一項特定弱點在整套測試中不斷疊加。

每項任務的成本,正是足以譴責 Grok 定價的那個數字

$2/$6 的標價相對於 $4/$20,看起來在輸出價格上有 2.5× 優勢。Artificial Analysis 實測每項任務為 $7.77 對 $10.04——23%。原因是 Grok 4.7 在 Index 套件中產生了 148M 個輸出 token,而 Opus 5.5 為 218M,僅有 1.5× 優勢;且它產生這些 token 的速度為 71 tok/s,對手為 117。

綜合來看,Grok 4.7 相對於其價格不僅更為冗長,實際耗時也更慢:每項 Index 任務要 24.4 分鐘,對比 24.6 分鐘。延遲幾乎相同,卻少了 24 個 Index 分數、省下 23%——這不是價值主張,而是對更差產品的折扣。任何根據其價目表選擇 Grok 4.7 的人,一直在為這項特權買單。

Claude Opus 5.5 也不便宜:每項任務 $10.04 讓它落在榜單上偏貴的一端,而 24.6 分鐘的任務耗時確實很慢。但它至少用這筆錢換到了一些東西。在這個榜單上,談成本效益時正確的比較對象不是這兩者——而是 GPT-6.2 Sol:每項任務 $1.01、指數 57.3,這才是讓這兩者都顯得定價糟糕的配置。

Grok 4.8 要改變這一點,必須具備什麼條件?

如果你打算的是遷移而不是購買,這部分值得一讀。一個經過重新調整監督式微調、從 RL 出來的模型,可能在兩個方向上都有很大變動,而 Grok 4.7 失敗的具體基準測試,正是可驗證任務上的 RL 往往最先修復的那些。終端機工作、代理式編碼與科學執行都有機器可檢查的獎勵,而這正是 RL 階段所最佳化的東西。如果 Grok 4.8 在 Terminal-Bench 上相較 4.7 的 25.8% 取得大幅提升,那就是 RL 執行奏效的訊號。

在這一切變得可行之前,必須先出現三件事。一個 grok-4.8 識別碼出現在 SpaceXSI 的文件中。一份費率表——並請注意,新的推論堆疊是價格朝任一方向變動的合理原因。還有一份公開評測,因為馬斯克本人這個月的說法明確貶低了基準測試分數作為品質衡量標準的價值,這意味著廠商自家關於 4.8 的資料不太可能以數字表格的形式出現。

在這些資訊出現之前,誠實的估計是:Grok 4.8 的落點介於 Grok 4.7 與 Opus 5.5 之間,而除了 SpaceXSI 內部的人之外,沒有人知道確切位置。今天任何給你 Grok 4.8 脈絡視窗、價格或分數的頁面,都是憑空捏造的。

選擇今天

Grok 4.8 並不在這項決定之中。Claude Opus 5.5 則在,與 Grok 4.7 以及真正角逐同一席位的模型並列。

如果你的工作是長時程的代理式執行——程式碼代理、終端機自動化、多步驟研究——Claude Opus 5.5 在每一項執行基準上都勝出,領先幅度再怎麼做提示工程也追不上,而且每項任務的執行成本比 Grok 4.7 貴約 29%。這是合理的取捨,也是顯而易見的選擇。

如果你的工作屬於專業廣度——分析、起草、經濟價值任務——兩者已足夠接近,節省 23% 或許足以證明選用 Grok 4.7 是合理的,前提是你能接受 500K 而非 1M 的上下文視窗,以及 Omniscience 綜合分數 31 對 48 所暗示的較低召回率。

如果你以 Grok 為基礎建置,並想針對正好這類失誤避險,實務上的模式是把模型選擇留在你的程式碼之外。兩者都可透過同一把 OrcaRouter 金鑰存取——anthropic/claude-opus-5.5 與 grok/grok-4.7——依供應商定價 0% 加價,因此 Grok 4.7 這條線路是廠商自己的費率,而 SpaceXSI 對 4.8 的價格變動會在其宣布當天生效,而不是在你察覺當天才生效。把路由規則設為偏好你的評估認為較強的那個模型,並讓自動容錯移轉處理在執行途中停止回應的供應商。當 Grok 4.8 真的出現時,加入它只是新增一筆路由項目,而不是遷移。

Headless capture of OrcaRouter's model page for grok/grok-4.7, showing the model name and its sections for code samples, pricing, performance and public benchmarks.

歸根結底,也就這麼回事。

馬斯克表示 Grok 4.8 不如 Claude Opus 5.5,接著又說 Grok 5 或許能在兩、三個月後達到那個水準。若照字面解讀,這意味著存在一個為期兩個季度的窗口,而在這段期間內,代理式執行領域的前沿模型,仍是九月發布的那一款。請據此規劃,並把任何 Grok 4.8 的發布消息視為重新跑一次評估的理由,而不是改寫整合方案的理由。

本文中的比較1

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新