Grok 4.5 tanıtıldı
(x.ai)- SpaceXAI, kodlama, ajan tipi görevler ve bilgi işi odaklı en üst düzey modeli Grok 4.5'i piyasaya sürdü
- Eğitim süreci, on binlerce NVIDIA GB300 GPU ile veri yinelemelerinin kaldırılması, kalite puanlaması ve alan odaklı seçime odaklandı; böylece basit token ölçeğinden çok sinyal kalitesi vurgulandı
- Benchmark'larda Terminal Bench 2.1 83.3%, SWE Bench Pro 64.7%, DeepSWE 1.0 62.0%, DeepSWE 1.1 53% sonuçları elde edildi
- Sunum hızı 80 TPS ve SWE Bench Pro görev başına ortalama çıktı token sayısı 15,954; bu da Opus 4.8(max)'in 67,020 tokenine göre yaklaşık 4.2 kat daha az
- Grok 4.5; Grok Build, tüm Cursor planları ve SpaceXAI konsolunda kullanılabiliyor, ancak AB'de henüz sunulmadı ve Temmuz ortası için planlanıyor
Kodlama ve ajan görevlerini hedefleyen eğitim ve değerlendirme
- Grok 4.5; kodlama, bilim, mühendislik ve matematik bilgisini içeren veri kümeleriyle eğitildi ve gerçek mühendislik işleri ile ajan tipi görevleri temel kullanım alanları olarak konumlandırıyor
-
Benchmark sonuçları
- Karşılaştırma modeli verileri, her geliştiricinin yayımladığı sistem kartı veya benchmark liderlik tablolarından alınmıştır
- DeepSWE 1.0: Grok 4.5 62.0%, Fable(max) 66.1%, GPT 5.5(xhigh) 64.31%, Opus 4.8(max) 55.75%, Opus 4.7(max) 40.12%
- DeepSWE 1.1: Grok 4.5 53%, Fable(max) 70%, GPT 5.5(xhigh) 67%, Opus 4.8(max) 59%, GLM 5.2 44%
- Terminal Bench 2.1: Grok 4.5 83.3%, Fable(max) 84.3%, GPT 5.5(xhigh) 83.4%, Opus 4.8(max) 78.9%, Opus 4.7(max) 78.9%
- SWE Bench Pro çözüm oranı: Grok 4.5 64.7%, Fable(max) 80.4%, Opus 4.8(max) 69.2%, Opus 4.7(max) 64.3%, GLM 5.2 62.1%, GPT 5.5(xhigh) 58.6%
-
Eğitim altyapısı ve veri işleme
- Eğitim altyapısında on binlerce NVIDIA GB300 GPU kullanıldı ve büyük ölçekli eğitim çalıştırmaları için kararlılık teknikleri yer aldı
- Veri işleme tarafında basit token ölçeğinden çok filtreleme ve kürasyona yatırım yapıldı
- Yineleme kaldırma
- Kalite puanlaması
- Alan odaklı seçim
- Pekiştirmeli öğrenme, token başına zeka odağıyla yüz binlerce görev üzerinde yürütüldü
- Ana görevler çok adımlı yazılım mühendisliği ve diğer teknik işlerdi
- Değerlendirmede otomatik puanlama ve model tabanlı puanlama kullanıldı
- Ajan tipi rollout'lar saatler boyunca çalışabiliyor ve eğitim, on binlerce GPU üzerinde sürmeye devam eden eşzamansız bir eğitim yığını kullanıyor
-
Kodlama kullanım örneği
- Grok 4.5'in Rust ve C/C++'taki zor görevlerden prompt tabanlı uçtan uca uygulama geliştirmeye kadar kodlama işlerinde güçlü olduğu belirtiliyor
- Örnek prompt,
threejsile uzay ve Güneş Sistemi simülasyonu oluşturmayı; buna zaman kontrolü, gerçekçi hareketler, yörüngeler, yıldızlar ve modern bir HUD eklenmesini istiyor
Hız, fiyatlandırma ve iş araçları desteği
- Grok 4.5, 80 TPS model hızıyla sunuluyor
- SWE Bench Pro görevleri baz alındığında ortalama çıktı token sayısı 15,954; bu da Opus 4.8(max)'in 67,020'sine göre yaklaşık 4.2 kat daha az
- Fiyatlandırma girdi için 1 milyon token başına 2 dolar, çıktı için 1 milyon token başına 6 dolar
- SpaceXAI, Grok 4.5'in karşılaştırılan önde gelen modellere göre yaklaşık 2 kat daha yüksek token verimliliği sağladığını ve görevleri yarıdan az adım sayısıyla çözdüğünü belirtiyor
-
Grok Build ve Office eklentisi
- Grok 4.5, Grok Build'in varsayılan modeli
- Grok Build; web araştırması, birden fazla sayfada formül kullanımı ve ileride başvurmak üzere sticky ya da notlar içeren karmaşık Excel modelleri oluşturabiliyor
- PowerPoint'te yerel şekillerle karmaşık diyagramlar oluşturup sezgisel slayt içerikleri tasarlanabiliyor
- Word'de daha net cümleler yazmayı destekliyor
- Office eklentisi Word, PowerPoint, Excel için sunuluyor
-
Sunum kanalları ve kısıtlamalar
- Grok 4.5 şu anda Grok Build, tüm planlardaki Cursor ve SpaceXAI konsolu üzerinden kullanılabiliyor
- Sınırlı olarak Grok Build ve Cursor'da ücretsiz Grok 4.5 kullanımı sunuluyor
- AB'de SpaceXAI ürünleri veya API konsolu üzerinden Grok 4.5 henüz kullanılamıyor; sunumun Temmuz ortasında başlaması bekleniyor
1 yorum
Hacker News görüşleri
xAI’nin model yanıtlarını siyasi anlatıya uyacak şekilde aktif biçimde ayarladığını bilince ona güvenmenin zor olduğunu düşünüyorum
Arka uçta sürekli yönlendirilen bir modele kurumsal ortamda nasıl güvenilebileceği sorusu akla geliyor
Modele yalanı işaret etseniz bile, bunun HRLF süreci ve yerleşik önyargılardan kaynaklandığını kabul ettirmek muhtemelen kolay olmazdı
Claude’un kendisine 10–15 büyük araştırma alanında kullanılmaması gerektiğini söyletmek ya da “zor” meselelerde kaynakların sık sık cherry-picking yapıldığını ve aşırı derecede hatalı bir denge sergilediğini kabul ettirdiğinizde, tüm LLM’lerin önyargılı olduğu ve çoğunluğunun ilerici tarafa eğildiği hissine kapılıyorsunuz
Hatta test edildiğinde Grok’un çoğu zaman GPT veya Gemini’den daha politik doğrucu yanıtlar verdiği, sadece X kullanıcılarının özellikle politik olarak uygunsuz sözler söylettirebildiği için keskin bir itibara sahip olduğu düşünülüyor
grok.com’daki veya uygulamadaki Grok’un gerçekte oldukça uslu, hatta sıkıcı denecek kadar sakin olduğu da ekleniyor
Sadece kod üretimi için kullanılacaksa bu kısımları neden önemsemek gerektiği görüşü var
Grok Elon eleştirisi de yapıyor ve onun savunduğu birçok aşırı sağ argümana da karşı çıkma eğiliminde
İnsanların Grok kullanmak istemesine şaşırılıyor
xAI fazlasıyla açık biçimde ahlaken iflas etmiş bir şirket gibi görünüyor ve CSAM’e karşı hoşgörülü görünen ya da en azından bunu engellemek için yeterince çaba göstermeyen tek AI şirketi gibi hissediliyor
Ona özellikle para vermek için bir neden yok; tek seçenek olsa başka, ama şu anda hiç de öyle değil
CSAM’i aktif biçimde kabul edilebilir gördükleri ya da sadece umursamadıkları şeklinde yorumlanıyor
Kimin daha ahlaklı olduğuna karar verme yöntemi tarihsel olarak pek iyi sonuçlar üretmedi
Bu yüzden Grok kullanıyorum, ailemi rahatsız edecek kadar Çin’deki NGO’lara hatırı sayılır miktarda bağış yaptım; hâlâ konut kredim var ve ben de bir ölçüde bencil olduğum için SF’deki kâr amacı gütmeyen kuruluşlara bağış yapmamaya karar verdim
Ahlak ve iyiliğe pratik bir tutumla yaklaşmak gerektiğini düşünüyorum
Grok’u birçok açıdan seviyorum; boykot etmek de ahlaken iyi, ama gerçekçiliği koruyarak yapılabilecek başka birçok ahlaki tercih de olduğunu düşünüyorum
Eğitim külliyatları büyük ölçüde çalıntı ve hepsi içinden çıkılması zor bir borca girmiş hâlde koşmaya devam ediyor
Ama ürünler o kadar kullanışlı hâle geldi ki “ahlaken kabul edilebilir” bir LLM çıkmasını bekleyerek geri duracak kişi sayısı çok az; böyle bir modelin de kaçınılmaz olarak daha düşük kalitede olma ihtimali yüksek
Ancak CSAM konusunda hüküm vermek zor; xAI bunu gerçekten kabul edilebilir görüyorsa diğer şirketlerden daha gayriahlaki olduğuna katılıyorum
Grok 4.5 oldukça ekonomik görünüyor
Opus’a kıyasla çıkarım verimliliği 4 kat daha iyi ve fiyatı $2/$6; karşılaştırınca GPT 5.4 $2.5/$15, GPT 5.5/5.6 $5/$30, Opus 4.8 $5/$25, Fable ise $10/$50
Benchmark’lar manipüle edilmediyse Opus 4.7 seviyesinde görünüyor ve Elon’ın https://x.com/elonmusk/status/2074911038286295049 adresinde söylediğiyle de uyumlu
Cursor verileri epey işe yaramış olmalı
Bunun üzerinde, maksimum 500K bağlamda fiyat iki katına çıkarak $4/$12 oluyor
https://docs.x.ai/developers/models/grok-4.5
Grok’un aylık $40 sürümünü kullanıyorum; bir ayda “ara vermeden” Grok Build ile kodlama yapabileceğim süre en fazla yaklaşık 8 saat
xAI Çin laboratuvarlarından anlamlı biçimde daha yetenekli ya da az da olsa daha dürüst görünmüyorsa, çok daha ucuz olmadığı sürece işleri doğrudan Çin’e göndermekte ne sakınca var diye düşünüyorum
Grok belirsiz bir konumda sıkışmış durumda. Hiçbir alanda en iyi değil, en ucuz da değil
Geçmiş sicilini hesaba katmadan önce bile kullanmak için bir neden oluşturmak zor; kendine “MechaHitler” diyen bir modeli şirkette kullanalım diye önermenin terfi getireceği de şüpheli
Cursor bloguna göre, Cursor verilerinden trilyonlarca token ile eğitilmiş; bu veriler kod tabanları ve yazılım araçlarıyla gerçek kullanıcı etkileşimlerini geniş biçimde içeriyor.
Bu veri kümesi sayesinde yalnızca mevcut yazılımlardan değil, geliştirici-agent etkileşimlerinden de öğrenebiliyor; geliştiricilerin çalışma biçimini ve agent’ların ortamla nasıl etkileştiğini yakalayabiliyor.
Büyük paranın buraya gitmesinin nedeni bence bu. Cursor, Claude Code ya da Codex tam anlamıyla devreye girmeden önce gerçek proje verilerine sahip ilk büyük oyuncuydu.
Gerçekçi ortamlardaki zor problemler için pekiştirmeli öğrenme kullanarak problem araştırmayı, araç kullanmayı, hatalardan toparlanmayı ve sonuçları doğrulamayı öğrettiler; mevcut görevler artık yeni bir şey öğretemez hale geldikçe, frontier modellerin bile başarısız olacağı kadar zor problemler tasarlamak zorunda kaldılar.
Mühendisler problem ve doğrulama yöntemini belirlediğinde, büyük ölçekli agent’ların ortamı kurup test ettiği ve iyileştirdiği dağıtık bir agent sistemi oluşturdular; önceki nesil modellerle bir sonraki yineleme için eğitim veri kümesi hazırlayan bir yapı bu.
Model iyileştikçe veri de iyileşiyor ve sonraki model de daha iyi hale geliyor; “Çin modelleri en güncel en iyi seviyeye yakın” diye düşünenler için Composer 2.5 eğitimiyle bir karşılaştırma da var.
Anthropic’e çok fazla işlem gücü devrettikten sonra xAI’ın çöktüğü değerlendirmesi biraz abartılı görünüyor; Grok 4.5, on binlerce NVIDIA GB300 GPU üzerinde eğitildi.
Eskiden bunun kötü bir fikir olduğu düşünülürdü, ancak çok fazla işlem gücü kullanarak veriyi üretip puanlayan bir scaffold kurulduğunda kalitenin epey iyi hale geldiği görüldü.
Aslında birçok kişinin distillation dediği şeyi tarif ediyor gibi; benim anladığım kadarıyla bu, sonradan eğitimde davranışı yönlendirmeye yarıyor, yalnızca nasıl davranılacağını öğretiyor, nasıl düşünüleceğini öğretmiyor.
Yanılıyor olabilirim; daha iyi bilen biri açıklarsa iyi olur.
Milyarlarca dolar harcayıp 3. sıradaki modeli üretmenin ekonomik olarak nasıl mantıklı olduğunu anlamıyorum.
Ed Zitron tarzı sonuna kadar zorlamak istemiyorum ama anlamıyorum.
Kısa vadede laboratuvarlar kârlı değil; Anthropic’in ise buna epey yaklaştığı söyleniyor.
Amazon da uzun süre kârsız olmasıyla ünlüydü ama sonunda büyük kazandı; bu yüzden şu an kâr edip etmemek yatırımcılar için mutlaka ana mesele değil. Önemli olan gelecekte kâr etme olasılığına inanıp inanmadıkları.
Elon, gelecekte ekonominin büyük bir bölümünün yapay zeka tarafından işletileceğini ve token’ların ekonomik değerinin, o token’ları üretme maliyetinden daha hızlı artacağını düşünüyor gibi. Buna, söz konusu token’ları üretecek modelin eğitim maliyetinin amortismanı da dahil.
Bu yüzden modelleri eğiten ve çıkarım maliyeti alan bir laboratuvar kuruyor; şu an olmasa bile sonunda kârlı hale geleceğine inanıyor gibi.
Buna katılabilirsiniz; Anthropic/OpenAI’ı yenip yenemeyeceği ise araştırmacıları elde tutmakta son dönemde yaşadığı zorluklara bakınca daha da belirsiz. Ama mevcut kârlılık, gelecekteki kâr potansiyeline inanıp inanmadığını değerlendirmek için iyi bir gösterge değil.
Tesla ve SpaceX’in kârlılığı da çok kötüydü ama bir gün durum değişti.
Kişisel olarak gelecekte muazzam kârlar doğacağına katılıyorum; ancak Elon’ın Anthropic/OpenAI’ı yenme becerisine o kadar emin değilim.
Bir atılım yakalayıp avantaj elde etmek ve hâkim konuma gelmek.
Ayrıca şirketin çevresinde AI kelimesi yer aldığında gerekli rakamlar yükseldiği için, Musk’ın diğer şirketleriyle birlikte değerlemeyi yukarı çekebileceği şirket içi bir AI birimi, ürünün kendisi zarar etse bile onun için kullanışlıdır.
Çok seçenekli, çeşitli bir pazar, tarayıcı savaşlarının tekrarlanmasını engeller.
Erken dönemin sonrasını öngöremediği çok teknoloji pazarı oldu.
Grok konusunda kişisel olarak şüpheliyim; ancak Claude üstünlüğünü kaybederse Cursor entegrasyonu üzerinden kârlı bir niş pazar yaratabilir.
OpenRouter ayarlarımı yalnızca ZDR olacak şekilde tuttuğum için Grok modellerini hiç denememiştim.
Az önce kontrol ettim; artık bir ZDR xAI endpoint’i var gibi görünüyor, bu yüzden gerçekten denemeyi düşünüyorum.
Ne zaman eklendiğini bilen var mı merak ediyorum.
Ancak anonimlik bölümünde “Requires user IDs” yazıyor; bu OpenRouter için alışılmadık ve pek hoş görünmüyor. Genelde OpenRouter, istekleri sağlayıcıya anonimleştirerek ileten bir proxy’dir; ancak ZDR’ye özel olduğu gibi bunu tüm hesap genelinde zorunlu kılan bir ayar bulamadım.
İlk izlenim oldukça iyi
Saniye başına token sayısı yüksek; kabaca 90 civarında görünüyor ve token verimliliği de çok yüksek, bu yüzden hız açısından GPT 5.5, Opus 4.8 ve GLM 5.2’yi rahatça geçiyor
Fiyatı da çok iyi; API maliyetini doğrudan ödüyorsanız GPT ve Opus aşırı pahalı, token verimliliğini de hesaba katınca muhtemelen GLM 5.2’den bile ucuz olabilir
Zeka seviyesini anlamak epey zaman alacak, ama kesinlikle iyi; Opus ile aynı sınıfın alt taraflarında, GLM 5.2 ile birlikte duruyor gibi görünüyor
Cursor’da “Bu test paketi hoşuma gidecek kadar güçlü değil ve sonuçlardan çok iç duruma dayandığı çok fazla yer var” sorunu için “inceleyip çözüm öner” dediğimde test yaklaşımını, güçlü yanlarını, zayıf yanlarını ve boşluklarını iyi özetledi; güvenilir bir test kütüphanesi olan https://hypothesis.readthedocs.io/en/latest/ tabanlı, sistematik ve çok yönlü bir yaklaşım önerdi
Bu iyileştirme çalışmasında yapılacaklarla sonraya bırakılacakları ayırdı; çok zor ya da kapsam dışına çıkabilecek vakaları belirleyip bunlara odaklanıp odaklanmama seçeneği de sundu ve yeni testleri de mantıklı biçimde yapılandırdı
Bir geri bildirim ve plan ayarlamasından sonra ajan modunda çalıştırınca birkaç dakika sonra çok daha iyi bir test paketi ortaya çıktı
Grok’u daha önce kullanmadığım için beklentim düşüktü, ama eskiden yalnızca GPT ya da Opus’a bırakacağım karmaşık, ince ayrıntılı, çok aşamalı bir işi harika şekilde başardı
Güncelleme olarak, eski ve gerçek bir hatayı da buldu. Test iyileştirmesinden sonra tüm kodu ve paketlemeyi incelettim; küçük kusurları ve eksikleri de yakaladı, ama hata işleme tarafındaki zayıflığı ve epey utandırıcı bir işlev hatasını da bulup düzeltti ve testlerini de ekledi
Neredeyse hiç bağlam gerektirmeyen temel istekleri bile sürekli batırıyor; örneğin bir helper fonksiyonu inline etmesini istedim, 10 satırlık değişiklik yerine ilgili modülün yarısını yeniden yazdı
Bizzat denediğim 3 model arasında Grok, kişisel kullanım için istediğim iOS uygulamasını yapmakta en iyisiydi
Belirli koşulları olan bir bisiklet bilgisayarı uygulamasıydı; Claude vazgeçip HTML/CSS uygulamasına yönelmeye çalıştı, ben ise native SwiftUI+Metal’da ısrar ettim
Grok da ara sıra hata yapıyor, ama tek tek söylemem gerekeceğini sandığım kısımları şaşırtıcı şekilde iyi çıkarımladı
iOS geliştiricisi olmadığım için dili ve API’leri aylarca/yıllarca öğrenmek yerine ihtiyacım olan şeyi saatler/günler içinde elde etmek gerçekten yardımcı oldu
Caddy’yi “vibe coding” ile yazıyor falan değilim; sadece kişisel proje olarak kurcalıyorum
Hangi modeli kullandığını söylememişsin, ama Opus 4.8 ya da Sonnet’in istediğim dili ve stack’i görmezden geldiği hiç olmadı
Opus mu kullandın, yoksa başka bir model mi, merak ediyorum
Bisiklet bilgisayarı iOS uygulaması ve bir modelin vazgeçtiği ana fikri aynıydı
Ayrı olarak Caddy için gerçekten minnettarım. Yeni bir projeye başlamakta çok yardımcı oldu; takım onboarding’inde dikkat edilmesi gereken hata kaynaklarından birini azaltacak kadar varsayılan haliyle sorunsuz çalıştı
Haiku gibi daha zayıf bir model kullanmış olmayasın; Claude söylendiği kadar kötü olmamalı
Web sunucusunu seviyorum
Cursor da model eğitimine katıldı; duyuru yazısı https://cursor.com/blog/grok-4-5 adresinde
Özellikle Grok 4.5 ile Composer 2.5’in farklı model ağırlığı sınıfları olduğunu, iki boyutu ve ağırlıkları da destekler hale gelmekten memnun olduklarını belirtiyor
Composer 2.5 sunulmaya devam edecek ve bu boyutta yeni modelleri ileride de çıkaracaklarını söylüyorlar
Farklı ağırlık sınıfları demek için aradaki fark çok büyük değil
API maliyeti farkı yaklaşık 2,5 kat; muhtemelen xAI’nin geri kazanması gereken maliyetler çok daha yüksek olduğu içindir
https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
https://aibenchy.com/showcase/?q=grok