هزینه استنتاج در پروژه‌های نرم‌افزاری بزرگ دیگر یک مانع نیست؛ SpaceXAI با مدل جدیدش بازی را به نفع بهره‌وری تغییر داد. اگر امروز از مدل‌های سنگین برای کدنویسی استفاده می‌کنید، باید بدانید که Grok 4.5 می‌تواند همان نتایج را با توکن‌های بسیار کمتر و سرعت خیره‌کننده‌ای تحویل دهد.
این مدل بر پایه یک استراتژی تهاجمی برای کاهش توکن‌های خروجی ساخته شده است. طبق گزارش‌های منتشر شده، کاهش ۴.۲ برابری در توکن‌های خروجی نسبت به Opus 4.8 (max) در محک SWE Bench Pro، ارزش پیشنهادی اصلی Grok 4.5 را تعریف می‌کند. این بهره‌وری اجازه می‌دهد تا تکالیف پیچیده مهندسی نرم‌افزار سریع‌تر حل شوند و هزینه هر نتیجه برای کاربر نهایی به‌طور قابل توجهی کاهش یابد. این رویکرد در راستای تلاش‌های مستمر شرکت برای بهینه‌سازی است که چگونگی کاهش هزینه‌های عملیاتی از طریق افزایش بهره‌وری در Grok 4.5 را به خوبی نشان می‌دهد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن و بهینه‌سازی استنتاج (مانند استفاده Cosine AI از مدل‌های آموزش‌دیده برای حملات در ممیزی‌های امنیتی) اشاره کردیم، صنعت در حال حرکت از «مدل‌های غول‌پیکر کلی‌منظور» به سمت «ابزارهای تخصصی با دقت بالا» است. عرضه Grok 4.5 یک چرخش حیاتی برای SpaceXAI است. پس از آنکه نسخه‌های قبلی این شرکت از رقبا عقب افتادند، اکنون آن‌ها رویکردی فوق‌تخصصی برای کارهای فنی در پیش گرفته‌اند و از تولید محتوای کلی و زائد به سمت کاربردهای مهندسی با دقت بالا حرکت کرده‌اند.
به نقل از گزارش Marktechpost، مدل Grok 4.5 یک مدل همه‌منظوره است که به‌طور ویژه برای کارهای واقعی مهندسی تنظیم دقیق (Fine-tuning) شده است. این مدل در همکاری با ویرایشگر کد Cursor و با استفاده از مجموعه‌داده‌های گسترده در حوزه‌های علوم، ریاضیات، مهندسی و کدنویسی آموزش دیده است. تیم تحقیقاتی توصیف می‌کنند که استدلال حاصل از این آموزش، همزمان هوشمند و کارآمد است.
زیرساخت مورد نیاز برای این مدل عظیم بود و اجرای آموزش آن نیازمند ده‌ها هزار واحد پردازش گرافیکی (GPU) مدل NVIDIA GB300 بود. برای تضمین پایداری در طول این اجراهای مقیاس‌بزرگ، SpaceXAI تکنیک‌های خاص پایداری را پیاده کرده و سرمایه‌گذاری سنگینی روی کیوریتوری (گزینش) داده‌ها انجام داد. این خط لوله شامل مراحل سخت‌گیرانه حذف موارد تکراری (Deduplication)، امتیازدهی کیفیت و انتخاب‌های متمرکز بر دامنه تخصصی بود تا از بالاترین کیفیت ورودی اطمینان حاصل شود.
پس از مرحله پیش‌آموزش، SpaceXAI یادگیری تقویتی (RL) را با تمرکز بر «هوش در هر توکن» مقیاس‌بندی کرد. بر اساس مستندات، این فرآیند RL صدها هزار تکلیف را پوشش داد که اکثریت آن‌ها بر کارهای فنی و مهندسی نرم‌افزار چندمرحله‌ای متمرکز بود. برای نمره‌دهی به این تکالیف، روش‌های خودکار با ارزیابی‌های مدل‌محور ترکیب شدند. علاوه بر این، پشته آموزشی از عملیات‌های به‌شدت ناهمگام پشتیبانی می‌کند؛ این یعنی استقرار عامل‌های هوشمند (Agentic rollouts) می‌توانند برای ساعت‌های طولانی اجرا شوند در حالی که فرآیند یادگیری مدل همچنان در پس‌زمینه ادامه دارد.
در بررسی عملکرد فنی، داده‌ها نشان می‌دهند که اگرچه مدل Fable (max) همچنان در بسیاری از معیارها پیشتاست، اما Grok 4.5 در محک Terminal Bench 2.1 بسیار رقابتی عمل می‌کند. SpaceXAI در ادعاهای تبلیغاتی خود می‌گوید که این مدل از مدل‌های پیشرو مشابه پیشی گرفته است، هرچند داده‌های ارائه شده چشم‌اندازی ترکیبی را نشان می‌دهد. برای درک بهتر، معیار “pass@1” تنها دفعاتی که مدل در اولین تلاش موفق شده را می‌شمارد و “resolve rate” سهم تکالیفی که به‌طور کامل اصلاح شده‌اند را ردیابی می‌کند.
نتایج کلیدی بنچمارک‌ها به شرح زیر است:
- DeepSWE 1.0 (pass@1): ۶۲.۰٪ (در مقابل ۶۶.۱٪ برای Fable max، ۶۴.۳۱٪ برای GPT 5.5 xhigh و ۵۵.۷۵٪ برای Opus 4.8 max)
- DeepSWE 1.1: ۵۳٪ (در مقابل ۷۰٪ برای Fable max، ۶۷٪ برای GPT 5.5 xhigh، ۵۹٪ برای Opus 4.8 max و ۴۴٪ برای GLM 5.2)
- Terminal Bench 2.1: ۸۳.۳٪ (در مقابل ۸۴.۳٪ برای Fable max، ۸۳.۴٪ برای GPT 5.5 xhigh و ۷۸.۹٪ برای Opus 4.8 max)
- SWE Bench Pro (نرخ حل): ۶۴.۷٪ (در مقابل ۸۰.۴٪ برای Fable max، ۶۹.۲٪ برای Opus 4.8 max، ۶۲.۱٪ برای GLM 5.2 و ۵۸.۶٪ برای GPT 5.5 xhigh)
جالب است که این مدل رتبه نخست را در محک عامل‌های حقوقی Harvey کسب کرده است که SpaceXAI آن را به عنوان مدرک اصلی برای اثبات قدرت مدل در کارهای اداری حرفه‌ای و استدلال‌های حقوقی ذکر می‌کند.
از نظر اقتصادی، SpaceXAI قیمت‌گذاری تهاجمی را انتخاب کرده است: ۲ دلار برای هر میلیون توکن ورودی و ۶ دلار برای هر میلیون توکن خروجی، با سرعت سرویس‌دهی ۸۰ توکن در ثانیه (TPS).
در تحلیل دقیق‌تر روی SWE Bench Pro، مدل Grok 4.5 به‌طور میانگین به ۱۵٬۹۵۴ توکن خروجی برای حل تکالیف نیاز داشت، در حالی که Opus 4.8 (max) به ۶۷٬۰۲۰ توکن نیاز داشت. این تفاوت چشمگیر، نشان‌دهنده بهبود ۴.۲ برابری در بهره‌وری توکن است. این یعنی مدل جدید در کمتر از نصف مراحل رقیبان خود به جواب می‌رسد، که مستقیماً باعث کاهش هزینه خروجی و تأخیر در هر تکلیف می‌شود.
در حال حاضر کاربران می‌توانند از طریق Grok Build (که مدل پیش‌فرض است)، کنسول SpaceXAI یا در تمامی طرح‌های Cursor با شناسه grok-4.5 به این مدل دسترسی داشته باشند. این سرویس فعلاً در اتحادیه اروپا در دسترس نیست و تاریخ عرضه آن برای اواسط ژوئیه پیش‌بینی شده است. همچنین استفاده رایگان برای مدت محدودی در Grok Build و Cursor ارائه شده است.
کاربردهای عملی این مدل شامل موارد زیر است:
- ترمیم کد: شناسایی یک باگ، رفع آن و توضیح علت ریشه‌ای وقوع آن.
- ساخت نمونه اولیه: خلق یک شبیه‌سازی منظومه شمسی با Three.js تنها با یک پرامپت واحد.
- تکالیف عامل حقوقی: بهره‌گیری از رتبه اول در بنچمارک Harvey برای استدلال‌های قانونی.
- کار با صفحات گسترده: ایجاد مدل‌های چندبرگی اکسل که با تحقیقات وب ادغام شده‌اند.
- مستندسازی: تبدیل یک طرح کلی (Outline) به یک گزارش رسمی Word و یک اسلاید ارائه.
برای جامعه فنی، این رویکرد معیار موفقیت را از «توانایی خام» به «هوش در هر توکن» تغییر می‌دهد. SpaceXAI با کاهش حجم خروجی مورد نیاز برای رسیدن به پاسخ صحیح، گلوگاه‌های تأخیر و هزینه‌ای را هدف قرار داده است که در حال حاضر بر عامل‌های خودکار (Autonomous Agents) سایه انداخته است.
شما می‌توانید همین امروز تست مدل را از طریق نقطه پایانی (endpoint) پاسخ‌های API یا با نصب Grok Build CLI با دستور curl -fsSL https://x.ai/cli/install.sh | bash آغاز کنید.
گام بعدی شما
- اگر توسعه‌دهنده هستید، مدل
grok-4.5را در Cursor تست کنید تا تفاوت در تعداد توکن‌های مصرفی برای حل باگ‌ها را ببینید. - از طریق API در نقطه پایانی (endpoint) پاسخ‌ها، سرعت ۸۰ توکن در ثانیه را در پروژه‌های Agentic خود بسنجید.
- ابزار Grok Build CLI را با دستور
curl -fsSL https://x.ai/cli/install.sh | bashنصب کنید تا محیط توسعه را سریع‌تر تجربه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه تراشه‌های GB300 چگونه این سرعت را ممکن کردند، به تحلیل ما درباره معماری Blackwell مراجعه کنید.
گفتگو