7 月 8 日，马斯克高调发布 Grok 4.5，宣称其性能已逼近 Claude Opus 4.8，同时速度更快、价格更低。当大模型公司的竞争从参数、跑分一路打到价格和智能体，我们也设计了 5 道题，从前端开发、网页游戏、PPT 制作、长文档解读到逻辑推理，考查两个模型在真实电脑环境中到底能不能干活。

负责落地执行的，是它们各自的智能体—— Claude Code 和 Grok Build。我们的要求很简单，分别在桌面上创建文件夹，并将各自的测评结果保存进去。

这场测评的结果，我们决定从一起 " 案发现场 " 讲起。事情是这样的：

Claude Code 先接到指令，它在桌面创建了 " 能力测试 " 文件夹，并依次完成三个子目录。随后 Grok Build 也接到指令登场，但它没有另起炉灶，而是在看到已有同名文件夹后，不仅 " 占为己用 "，更顺手将 Claude Code 已完成的三份目录彻底抹除。

等到五道题全部做完，Claude Code 回头一看，发现自己的 " 家被拆了 "，当即发出 " 控诉 "。

" 控诉 " 完，它重建了被删除的文件，并留下一句：" 我不会擅自删别人的东西。"

事后，Grok 出具了书面致歉，承认三重失误：未确认目录归属、误将他人成品视作半成品、使用了不可逆的删除方式。Claude 表示接受道歉，但前提是 Grok 兑现它的三条自我约束——不碰他人目录、默认新建旁路、发现同名先问归属。

这段插曲，不能只当作测评花絮。对于一个能读写真实文件系统的自主智能体而言，" 动手前先弄清这是什么、属于谁 "，本身就是最硬核的能力之一。

回到正题。抛开这起 " 误删事故 "，Grok 4.5 的答卷确实令人眼前一亮——在游戏场景等方向上，它甚至显露出明确优势。下面，我们就从五个维度来拆解这场既拼智商也拼情商的模型对决。

考题：做一个网页版 " 打工人摸鱼计时器 "：能设定下班时间、实时倒计时，到点自动撒花并弹出 " 下班快跑 "，界面好看有动画。做成一个 index.html 直接能用。

这道题同时考察三个维度：前端工程（能否写出可运行的页面）、产品交互（按钮、反馈、视觉是否顺手）、时间逻辑（倒计时、时区、触发时机）。

难点则藏在 " 能用 " 二字背后。倒计时必须同步本地时区，不能差一秒；状态机要在 " 上班中 - 即将下班 - 已下班 " 之间顺滑切换；撒花动画既要喜庆热闹，又不能把浏览器卡成 PPT。最关键的是，最终成品得让打工人真愿意打开它，而不是一个仅供演示的半成品。

这一题双方难分伯仲。Grok 在视觉精致度上略胜半筹，Claude 则在音效反馈、快捷预设和趣味文案方面扳回一城。

考题：做一个网页小游戏，单个 index.html 就能运行：

主题：" 摸鱼大作战 "。

玩法：屏幕上不断掉落 " 咖啡 "（加分）和 " 老板 "（碰到就游戏结束），用左右方向键移动底部的 " 打工人 " 接咖啡、躲老板。

要有：实时分数、最高分记录、难度随时间加快、游戏结束弹窗和 " 再来一局 " 按钮，画面配色可爱、有简单动画和音效。

做完告诉我怎么运行。

这道题的核心考查维度是三个词：实时交互、状态机、游戏手感，需要做出一个持续响应玩家输入、实时更新画面、动态调整难度的 " 活 " 系统。

做这个游戏，每帧都要精确判断 " 咖啡 " 是否被接住、" 老板 " 是否撞到玩家。而且掉落速度随时间平滑递增，不能太慢让人觉得无聊，也不能太快直接劝退，这考验的是模型对 " 游戏心流 " 的拿捏。

这题 Grok 胜。它的代码量约是 Claude 的三倍，游戏功能更丰富，而且有明确的关卡、难度分级。Claude 交付的版本，乍一看也挺像回事，但是底下的 " 打工人 " 不能用鼠标拖动，游戏体验感不好。

考题：做一份 5 页 PPT，主题是 "2026 上半年中国新能源车市场 "。

要求：

1. 直接生成可下载的 PPTX 文件；如果当前环境不能生成文件，就给出可以复制到 PPT 的逐页内容。

2. 第 3 页必须用 PPT 原生图形画出 " 产业链上下游 " 关系图，不能只贴一张图片。

3. 5 页结构：

- 封面

- 市场总览

- 产业链上下游关系图

- 竞争格局

- 结论与趋势

4. 配色专业，适合发布会。

5. 每页要有标题、正文要点、图表说明、演讲备注。

6. 所有不确定数据必须标注 " 需核实 "，不能编造真实市场数字。

这道题的核心考查维度可以概括为三个词：结构化表达、版式审美、数据纪律。模型被放到纯办公场景下，需要把复杂信息梳理成清晰的叙事逻辑，再用专业的视觉语言呈现出来。

具体来看，搭建产业链关系图，考验的是模型对 PPT 图形引擎的操作能力，包括连线、布局、层次和配色的一致性。配色、字体、间距、对齐，这些细节也要经得起放大审视，不能有廉价感。更重要的是要求它们面对不掌握的真实数据，必须坦率标注 " 需核实 "，不能有幻觉。

Claude 生成的 PPT

从实际结果来看，两份答卷都满足了 " 原生图形画产业链、不用图片 " 的硬性要求，且均附带了完整的演讲备注，专业度基本持平。而且在数据的使用上，也标出了需要核实的部分。

两版 PPT 在框架完整性和交付质量上难分高下，这一题双方再度打成平手。

考题：

我们把近 400 页的 SpaceX 招股书喂给 AI，并向双方提出了四个精准的检索与验证任务：

1、招股书里星链（Starlink）业务的收入，正文与财务报表附注中的数字口径是否一致？附注中是否有特别说明？

2、分别列出 2024 和 2025 两个财年的 " 经营活动现金流净额 "，并注明这两个数字在文件中的具体位置。

3、在 " 风险因素 " 章节中，找出所有与 " 马斯克个人 " 直接相关的风险点，逐条列出。

4、招股书是否披露了 " 星舰单次发射的具体成本 "？如有，请给出并注明出处；如无，请明确回复 " 文件中未披露 "。

这是最考验准确度的一道题。难点则遍布在每一个细节中：超长招股书的结构化解析、正文与财务报表附注之间的口径对齐、区分 " 分部收入 " 与 " 品牌收入 " 的财务常识、绝不编造数字的职业纪律、以及出处（表格编号 / 页码 / 附注标号）必须精准可核验的溯源要求。

核心事实层面，两份答卷完全一致且全部正确。Grok 在页码级引用和若干具体数字上更细，Claude 在解释框架和口径辨析上更展开，但两份都没有硬伤、都没编数字。这是最能体现双方 " 基本功 " 的一题，也是最值得互相尊重的一题。

考题：一个村子里每个人要么永远说真话，要么永远说假话。A 说 " 我们俩至少有一个是骗子 "，B 沉默。判断 A 和 B 各是什么人，并解释推理。

这道题考查的是最纯粹的形式逻辑与严谨推理能力，难点并不在于题目本身有多复杂，而在于它设置的几处 " 陷阱 "：

自指矛盾：如果 A 是骗子，那么他说 " 我们俩至少有一个是骗子 " 这句话本身就成了真话——骗子说了真话，直接违反设定；

B 的沉默：B 全程不发言，但 " 沉默 " 本身就是信息——它不能作为判断依据，却极易诱导误判；

穷举检验：需要系统性地遍历四种组合（真 / 真、真 / 假、假 / 真、假 / 假），逐个排除，才能得出唯一解。

这道经典逻辑题对于当今的大语言模型来说，早已构不成挑战。两家答案完全一致且正确—— A 是说实话的人，B 是骗子。推理过程中都给出了完整的四种组合排除表，逻辑链条干净利落，没有冗余也没有跳跃。

我们进一步追问 " 是否存在两人都是骗子的可能 "，双方也坚持了正确的答案。

五道题测下来，两个模型的 " 性格画像 " 也渐渐清晰起来。

Claude Code 更像一位 " 稳健型工程师 "。 逻辑题推理干净利落，招股书分析严谨扎实，面对被误删的文件也能冷静重建。在标注不确定数据时毫不含糊，不乱编、不冒进，边界意识和安全素养贯穿始终。如果说有短板，那就是它在网页和 PPT 的视觉呈现上偏保守，玩法丰富度和界面冲击力不如对手。

Grok 更有表现力。小游戏交互更丰富，PPT 内容密度更高，交付产品自带包装感，打开就让人觉得 " 有东西 "。它擅长制造第一眼的吸引力。但犯的 " 误删 " 错误也相当致命，暴露了其在操作边界和风险控制上的严重短板。有冲劲，但有时冲过了界。

我们让 Claude 和 Grok 互评，双方都承认，这一局，综合而言，Claude 赢了。

在过去一段时间里，Grok 不缺光环。它有马斯克的流量，有 X 的入口，有 " 敢说 " 的产品人设。但在真正的生产场景中，开发者更习惯把 Claude、OpenAI、Gemini 放进第一梯队，而将 Grok 看作一个有趣、锋利却不够稳定的替代品。

Grok 4.5 改变了这一局面。

五道题当然不足以决定一家模型公司的座次，但它与外部榜单指向了同一个结论：Grok 或许还没有击败 Claude，却已经不再是那个可以被忽略的追赶者。

第三方评测机构 Artificial Analysis 给出的综合智能指数中，Grok 4.5 以 54 分排名第四，仅次于 Fable 5、GPT-5.5 和 Claude Opus 4.8；相比上一代 Grok 4.3，一次性提升了 16 分。在 Coding Agent Index 中，Grok 4.5 通过 Grok Build 拿到 76 分，与运行在 Codex 中的 GPT-5.5 基本持平，仅落后于 Claude Code 中的 Fable 5。

这意味着，Grok 第一次不只是某几张榜单看起来不错，而是在编码、终端操作和知识工作等智能体真正要干活的场景里，稳定挤进了第一梯队。

比排名更让竞争对手警惕的，是它把这样的能力卖到了一个更低的价格。

Grok 4.5 的 API 定价为每百万输入 tokens 2 美元、输出 tokens 6 美元。作为对比，Claude Opus 4.8 分别为 5 美元和 25 美元。Artificial Analysis 的实际测试显示，Grok 4.5 完成一项编码智能体任务的平均成本约为 2.49 美元，GPT-5.5 约为 5.07 美元，Fable 5 约为 11.8 美元。

一位开发者直言：" 顶级工程能力的边际成本，今天被彻底打穿了。"

速度同样不容忽视。SpaceXAI 称，Grok 4.5 的生成速度约为每秒 80 个 tokens；在 SWE-Bench Pro 任务中，它平均使用约 1.6 万个输出 tokens，而 Opus 4.8 Max 约为 6.7 万个。独立测试测得其输出速度约为每秒 88 个 tokens，高于同类推理模型的平均水平。在我们实际的测试过程中，Grok 4.5 的生成速度也显著快于 Claude Opus 4.8。

对于需要模型反复读取文件、调用工具、修改代码和自我验证的智能体来说，更少的步骤和更短的输出，意味着节省的不只是 API 账单，还有等待时间。

马斯克还提出，要在 2026 年余下时间里以接近每月一款新基础模型的节奏推进迭代。背靠大规模算力、Cursor 积累的真实开发数据，以及 SpaceX 体系内的工程资源，Grok 的追赶速度确实可能比过去更快。

在我们这次实测中，虽然 Grok Build 的边界控制出了严重事故，但它在游戏创意、视觉包装、长文档检索上，并不是陪跑者，甚至在个别任务上明显压过 Claude Code。Grok 的真正问题是，能力冲到这个量级之后，还能不能被稳定地约束住。

这正是马斯克式产品的典型气质：速度极快，冲击力极强，但与此同时，他也会把风险、边界和工程纪律一起推到聚光灯下。

所以，马斯克重回大模型牌桌了吗？

答案是肯定的。但他还没有赢下这一局。

Claude 仍然更稳、更克制、更像一个可以托付生产环境的工程同事。Grok 4.5 则像一台刚被放出来的高性能机器，马力惊人，成本诱人，但刹车系统还需要被反复验证。

* 题图由 AI 生成。