Grok 4.5

编程战绩（按赛制分列）

• SWE-bench 多语言版78.0%
  把 SWE-bench 的题目扩展到 Python 以外的语言，考的是跨语言的工程能力。厂商自报
  https://x.ai/news/grok-4-5
• SWE-Bench Pro64.7%
  同一个思路但难度高得多的版本，题目更长、依赖更复杂。分数普遍比 Verified 低三十分左右，两者不可直接比较。厂商自报
  https://x.ai/news/grok-4-5
• SWE-Marathon29.0%
  超长时程的软件工程任务，一道题要连续工作很久，考的是耐力与不跑偏。厂商自报
  https://x.ai/news/grok-4-5
• DeepSWE53.8%
  SWE-bench Verified 的一个变体测法，用不同的 agent 脚手架跑同一批题。第三方实测
  https://deepswe.datacurve.ai/
• Terminal-Bench83.3%
  把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事，不只是写代码。厂商自报
  https://x.ai/news/grok-4-5
• LiveBench 智能体编程56.5%
  LiveBench 的智能体编程分项：不是写一段代码，而是像开发者那样多轮改动一个项目。第三方实测
  https://livebench.ai/#/?release=2026-06-25
• FrontierCode42.4%
  Cognition 出的高难度代码题集，面向前沿模型。第三方实测
  https://cognition.com/frontiercode
• LiveBench 编程分项68.6%
  LiveBench 每月换新题以避免污染，这一列是它的编程分项均分。第三方实测
  https://livebench.ai/#/?release=2026-06-25
• ALE-Bench1309
  AtCoder 启发式算法竞赛题，考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度，不是百分比。和「修 bug」是两种能力。第三方实测
  https://epoch.ai/benchmarks
• WebDev Arena1556 Elo
  让两个模型各写一个网页，由人来投票选哪个更好，按对战胜负算 Elo 分。考的是前端开发的实际观感，和「能不能修复一个后端 bug」不是一回事。第三方实测
  https://epoch.ai/benchmarks

这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。

全部成绩（按榜单分列）

名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。