xAI, Grok 4.5'i 8 Temmuz 2026'da dört kodlama kıyaslaması ve bir verimlilik çizelgesi ile duyurdu. Rakamlar ilginç, ancak bağlamlarıyla birlikte okunmalı: Bu yazıda yayınlanan skorları, kaynaklarını, eksik kalan noktaları ve kendi iş yükünüz için nasıl hızlı bir değerlendirme kurabileceğinizi adım adım ele alıyoruz.
Kısa özet: Grok 4.5, kıyaslamalarda güçlü bir ikinci kademe kodlama modeli gibi görünüyor. Claude Opus 4.8 ile bazı testlerde başa baş gidiyor, en üst modellerin gerisinde kalıyor ve en dikkat çekici iddiası doğruluktan çok çıktı token verimliliği.
xAI'nin Yayınladığı Sayılar
xAI duyurusunda dört kodlama kıyaslaması ve bir verimlilik karşılaştırması yer alıyor.
DeepSWE 1.0 pass@1
| Model | Skor |
|---|---|
| Claude Fable 5 (maks) | 66.1% |
| GPT 5.5 (xhigh) | 64.31% |
| Grok 4.5 | 62.0% |
| Claude Opus 4.8 (maks) | 55.75% |
| Claude Opus 4.7 (maks) | 40.12% |
DeepSWE 1.1
| Model | Skor |
|---|---|
| Claude Fable 5 (maks) | 70% |
| GPT 5.5 (xhigh) | 67% |
| Claude Opus 4.8 (maks) | 59% |
| Grok 4.5 | 53% |
| GLM 5.2 | 44% |
Terminal Bench 2.1
| Model | Skor |
|---|---|
| Claude Fable 5 (maks) | 84.3% |
| GPT 5.5 (xhigh) | 83.4% |
| Grok 4.5 | 83.3% |
| Claude Opus 4.8 (maks) | 78.9% |
| Claude Opus 4.7 (maks) | 78.9% |
SWE Bench Pro çözüm oranı
| Model | Skor |
|---|---|
| Claude Fable 5 (maks) | 80.4% |
| Claude Opus 4.8 (maks) | 69.2% |
| Grok 4.5 | 64.7% |
| Claude Opus 4.7 (maks) | 64.3% |
| GLM 5.2 | 62.1% |
| GPT 5.5 (xhigh) | 58.6% |
Verimlilik tarafında xAI'nin öne çıkardığı metrik şu: SWE Bench Pro'da görev başına ortalama 15.954 çıktı tokenı Grok 4.5 için, 67.020 çıktı tokenı ise Opus 4.8 (maks) için. Bu yaklaşık 4.2 kat fark anlamına geliyor.
Bu Sayılar Nereden Geliyor?
xAI'nin çizelgelerindeki dipnotlar önemli:
- DeepSWE 1.0: “Datacurve tarafından oluşturuldu, her model sağlayıcısının AA tarafından kullanılan donanımlarıyla çalıştırıldı.”
- DeepSWE 1.1: “Datacurve tarafından çalıştırılan mini-swe-agent donanımını kullandı.”
- Rakip skorlar: “İlgili geliştiricilerin yayınladığı sistem kartlarından veya kıyaslama liderlik tablolarından alınmıştır.”
Pratik yorum şu: Bu tek tip, tamamen bağımsız bir test seti değil; farklı kaynaklardan derlenmiş bir kıyaslama mozaiği.
Bu, sayıları değersiz yapmaz. Datacurve'in dahil olması güvenilirlik sağlar. Ancak şu noktaları not etmek gerekir:
- Donanım ve agent iskeleti testten teste değişebilir.
- “Maks”, “xhigh” gibi çaba ayarları modeller arası eşit olmayabilir.
- Ajantik kodlama benchmark'larında küçük konfigürasyon farkları birkaç puan oynatabilir.
- Grok 4.5 için henüz yaygın bağımsız replikasyon yok.
Bu yüzden bu skorları “karar sinyali” olarak kullanın, “kesin sonuç” olarak değil.
Aynı Çizelgeleri Nasıl Okumalı?
1. Claude Opus 4.8'e karşı sonuçlar karışık
Yayınlanan dört kıyaslamada Grok 4.5 ve Opus 4.8 arasında net bir tek taraflı üstünlük yok:
- Grok 4.5 önde:
- DeepSWE 1.0: +6.25 puan
- Terminal Bench 2.1: +4.4 puan
- Opus 4.8 önde:
- DeepSWE 1.1: +6 puan
- SWE Bench Pro: +4.5 puan
Bu, “Opus sınıfı” ifadesini makul kılar; ancak “Opus'tan açıkça güçlü” demek için yeterli değildir.
Dikkat çeken ayrım:
- Grok 4.5 terminal odaklı ve eski değerlendirmelerde daha iyi görünüyor.
- Opus 4.8 daha yeni ve repo düzeyinde daha karmaşık değerlendirmelerde öne çıkıyor.
Daha detaylı karşılaştırma için: Grok 4.5 vs Claude Opus 4.8
2. En üst modellere karşı Grok 4.5 lider değil
xAI'nin kendi sayfasında Claude Fable 5 (maks), dört çizelgenin tamamında lider. GPT 5.5 (xhigh) da dört testin üçünde Grok 4.5'in üzerinde.
Bu önemli çünkü xAI burada liderlik iddiasından çok fiyat-performans ve token verimliliği mesajı veriyor.
Fable tarafındaki skorları ayrıca incelemek için: Claude Fable 5 kıyaslama analizi
3. Ucuz modellerle farkı ayrıca ölçmek gerekir
Grok 4.5, GLM 5.2 gibi daha düşük maliyetli modellere karşı bazı testlerde 9-11 puan avantaj gösteriyor. Ancak bu farkın sizin iş yükünüzde maliyete değip değmeyeceği ayrı bir sorudur.
Eğer model seçiminiz “en yüksek skor” değil “dolar başına yeterli kalite” ise şu metrikleri birlikte ölçün:
- Çözüm doğruluğu
- İlk doğru cevap oranı
- Ortalama çıktı tokenı
- Gecikme
- Tekrar deneme ihtiyacı
- İnsan düzeltme süresi
GLM 5.2 bağlamı için: GLM 5.2 kıyaslama analizi
xAI'nin Öne Çıkardığı Asıl Metrik: Token Verimliliği
Lansmanın en stratejik bölümü verimlilik çizelgesi.
xAI'ye göre SWE Bench Pro'da:
| Model | Görev başına ortalama çıktı tokenı |
|---|---|
| Grok 4.5 | 15.954 |
| Claude Opus 4.8 (maks) | 67.020 |
Bu şu anlama gelir: Grok 4.5, aynı benchmark'ta daha düşük çözüm oranına sahip olsa da çok daha az çıktı üretir.
Bu metrik özellikle şu kullanım senaryolarında önemlidir:
- Kod inceleme botları
- Otomatik issue çözüm ajanları
- CI içinde çalışan LLM tabanlı düzeltme akışları
- Çok sayıda küçük refactor görevi
- API maliyeti hassas agent pipeline'ları
Çünkü agent akışlarında token maliyeti sadece tek cevapta değil, her döngüde birikir:
planla -> dosya oku -> değişiklik öner -> test çalıştır -> hata düzelt -> tekrar dene
Her adımda çıktı tokenı artar. Daha kısa ama yeterince doğru cevaplar, yüksek hacimli sistemlerde ciddi maliyet farkı yaratabilir.
Fiyat tarafındaki detaylı hesaplama için: Grok 4.5 fiyatlandırma analizi
Ancak iki uyarı var:
- Bu ölçüm satıcı tarafından yayınlanan tek benchmark'a dayanıyor.
- Opus'un uzun çıktıları tamamen “israf” değildir; daha uzun akıl yürütme bazı zor görevlerde daha yüksek doğruluk getirebilir.
Yani burada gerçek takas şudur:
daha kısa çıktı + daha düşük maliyet
vs
daha uzun akıl yürütme + bazı görevlerde daha yüksek doğruluk
Eksik Olanlar
Grok 4.5 için karar vermeden önce şu boşlukları dikkate alın:
- Bağımsız üçüncü taraf değerlendirme yok. 9 Temmuz itibarıyla Artificial Analysis zeka indeksi, LMArena yerleşimi veya topluluk SWE-bench replikasyonu bulunmuyor.
- Kapsam sadece kodlama. xAI, genel akıl yürütme, matematik, bilim veya güvenlik benchmark'ları yayınlamadı.
- Grok 4.5'in çaba modu net değil. Rakipler “maks” ve “xhigh” gibi etiketlerle verilmiş; Grok skorlarının varsayılan mı yoksa maksimum yapılandırma mı olduğu açık değil.
- Model çok yeni. Lansmandan sonraki ilk haftalarda regresyon, servis kararsızlığı ve sessiz davranış değişiklikleri yaygındır.
Kendi Benchmark'ınızı Çalıştırın
Herkese açık benchmark'lar ortalamayı gösterir; sizin kod tabanınızı göstermez. Model geçişi için en iyi yöntem küçük ama gerçekçi bir özel değerlendirme kurmaktır.
1. Gerçek görevleri seçin
Backlog'unuzdan 10-20 görev alın:
- Bug fix
- Refactor
- Test yazma
- API entegrasyonu
- Tip hatası düzeltme
- Performans iyileştirme
- Dokümantasyon güncelleme
Her görev için şu bilgileri kaydedin:
id: task-001
repo_context: "İlgili dosyalar ve kısa açıklama"
prompt: "Modelden istenen değişiklik"
expected_result: "Başarılı kabul kriteri"
tests: "Çalıştırılacak test komutu"
2. Aday modeller için aynı istek yapısını kullanın
Apidog içinde her aday model için kaydedilmiş bir istek oluşturabilirsiniz. xAI ve Anthropic tarafında OpenAI uyumlu yüzeyler bulunduğu için aynı koleksiyon içinde sadece model değişkenini değiştirerek test akışı kurabilirsiniz.
Örnek istek gövdesi:
{
"model": "{{model_name}}",
"messages": [
{
"role": "system",
"content": "Sen kıdemli bir yazılım mühendisisin. Kısa, uygulanabilir ve test edilebilir yanıt ver."
},
{
"role": "user",
"content": "{{task_prompt}}"
}
],
"temperature": 0.2
}
Model değişkenleri örneği:
grok-4.5
claude-opus-4.8
mevcut-prod-modeliniz
3. Aynı görevi her modele çalıştırın
Her çalıştırmada şu verileri kaydedin:
{
"task_id": "task-001",
"model": "grok-4.5",
"passed": true,
"latency_ms": 18420,
"input_tokens": 3120,
"output_tokens": 1480,
"human_fix_minutes": 6
}
Özellikle usage alanını kontrol edin. Çünkü xAI'nin ana iddiası çıktı token verimliliği.
4. Kör değerlendirme yapın
Mümkünse çıktıları model adı olmadan puanlayın. Basit bir rubrik yeterlidir:
| Kriter | Puan |
|---|---|
| Derleniyor / testler geçiyor | 0-3 |
| İstenen davranışı karşılıyor | 0-3 |
| Kod kalitesi | 0-2 |
| Minimal ve güvenli değişiklik | 0-1 |
| Açıklama kalitesi | 0-1 |
Toplam:
10 üzerinden kalite skoru
5. Kararı tek skorla değil, maliyet-kalite eğrisiyle verin
Sonuçları şu şekilde karşılaştırın:
model_skoru = kalite_skoru / çıktı_tokenı
veya daha pratik olarak:
başarılı_görev_başına_maliyet
Eğer Grok 4.5 sizin istemlerinizde gerçekten daha kısa çıktı üretmiyorsa, xAI'nin manşet verimlilik iddiası sizin kullanımınız için geçerli olmayabilir.
Apidog'u ücretsiz indirin ve aynı koleksiyon içinde Grok 4.5 ile mevcut modelinizi karşılaştırın. xAI tarafı için kurulum ayrıntıları burada: Grok 4.5 API kılavuzu
SSS
xAI Grok 4.5 için hangi benchmark'ları yayınladı?
Dört kodlama değerlendirmesi yayınladı:
- DeepSWE 1.0
- DeepSWE 1.1
- Terminal Bench 2.1
- SWE Bench Pro
Ayrıca Opus 4.8'e karşı çıktı token verimliliği karşılaştırması paylaştı. Kodlama dışı benchmark yayınlanmadı.
Bağımsız Grok 4.5 benchmark'ları var mı?
Henüz yok. Yayınlanan rakamlar Datacurve değerlendirmeleri ile diğer satıcıların sistem kartlarından veya liderlik tablolarından alınan sayıları birleştiriyor.
Grok 4.5, Claude Opus 4.8'i geçiyor mu?
Yayınlanan dört benchmark'ın ikisinde Grok 4.5 önde, ikisinde Opus 4.8 önde. Grok 4.5'in avantajı özellikle token verimliliği ve maliyet tarafında görünüyor.
Detaylı karşılaştırma: Grok 4.5 vs Claude Opus 4.8
Grok 4.5 mevcut en güçlü kodlama modeli mi?
Hayır. xAI'nin kendi çizelgelerinde Claude Fable 5 (maks), yayınlanan tüm benchmark'larda lider. Grok 4.5 daha çok fiyat-performans ve çıktı token verimliliği tarafında konumlanıyor.
Top comments (0)