Grok-4.5复杂长程代码任务测评：达到日常可用水平

背景

近日，随着 Grok-4.5 的预告发布，知名科技创业者 Elon Musk 收购 Cursor 的消息引发社区关注，外界普遍猜测此次收购为 Grok 团队带来了大量高质量代码训练数据。Linux DO 论坛的一位资深用户基于实际业务场景，对 Grok-4.5 的复杂长程代码能力进行了为期两天的深度测评，并在社区发布了详细报告。本次测评聚焦后端任务，使用 Pi Agent 与 Grok 官方 API completions 接口，所有对比模型均开启最高 reasoning effort（Sol 未开启 ultra 模式）。评测结果揭示了 Grok-4.5 在代码生成速度、可读性和部署友好度上的显著提升，引发了关于“是否仍需追求更昂贵的 SOTA 模型”的行业思考。

核心内容

测评围绕两个主线任务展开：一是从零实现一套复杂工具集并部署为具体业务；二是翻新一个已有中型项目以提升性能。

任务一：复杂工具集合实现到业务部署

用户首先要求 Grok-4.5 理解并实现一个包含 30+ 个工具且存在嵌套调用的工具集合，随后基于该工具集构建一个调用逻辑交错复杂的业务 skill，最终从海量文档中抽取并分析某特定场景下的需求实现方式，转化为可部署的定时项目。

• 需求澄清阶段：Grok-4.5 展示了超越 GLM-5.2 的需求理解能力。在相同 prompt 下，Grok-4.5 追问的问题更加全面，并结合业务提出更有针对性的澄清，真正实现了“需求去模糊”。
• 调研阶段：Grok-4.5、GLM-5.2、GPT-5.6-sol max 均结合 fast-context skill 对本地代码进行了充分抽取分析，获取足量上下文。但 Grok-4.5 的调研速度甚至超过运行在 Ollama 上的 GLM-5.2（GPT-5.6-sol max 极慢）。同时，Grok-4.5 提出了与 Sol 相似的进一步调查方向，而 GLM-5.2 异常自信地认为无需外部调研，即使 skill 中已明确需要联网搜索。
• 规划阶段：在 Spec 已将需求切分为最小子需求（phase）的前提下，Grok-4.5 在 150k 上下文内的小任务规划上仅略强于 GLM-5.2，但两者都明显不如 Fable 和 Sol 给出的建议全面、成熟。SOTA 模型（Fable、Sol）的 plan 更注重整体性和后续 phase 的衔接。
• 实现阶段：Grok-4.5 代码生成速度令人发指，与算力充足时的 Gemini Flash 和 Ollama GLM-5.2 相当，但交付的代码“又快又好”——具有清晰的架构设计，不过度防御或抽象，且注释恰到好处，便于人工 review。Sol 在代码 review 时的原话是：“无重大缺陷，但可以考虑加上xx护栏。”
• 部署阶段：Grok-4.5 给出了“说人话”的部署步骤和建议，一次通过，打印信息友好，让用户感受到类似 Opus 的拟人感。

任务二：翻新已有中型项目

任务要求面向一个带有管理系统且对性能有要求的业务执行器，从中先抽象出基础架构，再填补具体业务逻辑，确保功能不变但 CPU 和内存占用显著降低。该任务全程仅使用 Grok-4.5，结合 Spec，在需求澄清、调研、规划、实现阶段均由 Grok-4.5 独立完成，最终完美交差，前后耗时不超过 2 小时。用户分析认为，此任务成功可能与存在已实现参考、可写出简单清晰的测试，以及性能优化策略实际依赖联网搜索（通过 Grok-4.20-multi-agent）有关，但换用 GLM-5.2 能否取得同样效果尚不确定。

最终反思

用户经过两次测试后不禁反思：追求更新、更高推理、更贵的 SOTA 模型是否真的必要？自己对各模型的能力范围是否足够了解？应当投入更多研究精力还是更多预算？并认为 Grok-4.5 的表现或许已悄然埋下了答案。

关键要点

• 需求理解能力突出：Grok-4.5 在需求澄清阶段追问比 GLM-5.2 更全面、更具业务针对性，有效降低需求模糊度。
• 调研速度快且方向合理：Grok-4.5 的代码分析速度超越 Ollama 上的 GLM-5.2，并提出与 Sol 相似的调查方向；而 GLM-5.2 在需要联网搜索时过度自信，拒绝外部调研。
• 规划能力不及顶级 SOTA 模型：在 150k 上下文内的小任务规划上，Grok-4.5 仅略优于 GLM-5.2，但远不及 Fable 和 Sol 提供的整体性建议。
• 代码生成质量优秀：生成速度快，代码具有明显架构设计，不过度防御或抽象，注释精准实用，适合人工 review。Sol 评价为“无重大缺陷”。
• 部署体验极佳：部署步骤清晰、友好，一次通过，类似 Opus 的用户体验。
• 翻新中型项目效率惊人：全程使用 Grok-4.5，结合 Spec 和联网搜索，前后不到 2 小时完成性能优化，功能不变且指标提升。
• 成本与价值权衡：用户反思是否应继续追求更昂贵的 SOTA 模型，Grok-4.5 在性价比上展现出显著优势。

意义与影响

此次深度测评揭示了 Grok-4.5 在复杂长程代码任务中已具备“日常可用”水平，尤其在需求澄清、代码质量、部署体验上表现突出。其速度与注释友好度让人印象深刻，甚至在某些场景下超越了已发布的 SOTA 模型。这一结果可能改变开发者对“高价模型才值得信赖”的固有认知，推动社区更理性地选择模型——根据任务复杂度、上下文长度和实时性需求，而非盲目追求最强推理能力。同时，测评中暴露的规划能力差距也说明，Grok-4.5 在需要全局性战略规划的极复杂任务中仍不如专属 SOTA 模型，但结合 Spec 和少量 SOTA 模型的规划辅助，已能可靠交付。对于中型项目翻新这类常见任务，Grok-4.5 几乎可独立完成，显著提升开发效率。总体而言，Grok-4.5 的出现可能加速代码生成领域从“堆算力”向“重工程化”的转变，并促使开发者重新审视自身对 AI 模型的投入策略。