Grok 4.5 : le pari de xAI sur l’efficacité en tokens pour les agents de code

Ce que xAI a réellement lancé

Le 8 juillet 2026, xAI a lancé Grok 4.5, son premier modèle conçu spécifiquement pour le codage et le travail agentique, plutôt que pour la conversation générale. Ce lancement intervient dans un marché des modèles de pointe de plus en plus banalisé, où les trois ou quatre principaux laboratoires se regroupent à quelques points d’écart sur la plupart des benchmarks — xAI a donc choisi de rivaliser sur un axe différent : le nombre de tokens consommés pour atteindre ce score, et non le score seul.

Sur Terminal-Bench 2.1, un benchmark agentique qui évalue la capacité d’un modèle à accomplir de bout en bout de vraies tâches d’ingénierie logicielle en ligne de commande, Grok 4.5 a obtenu 83,3 %, devançant Claude Opus 4.8 (max) d’Anthropic, à 78,9 %. Sur SWE-Bench Pro, un benchmark plus exigeant couvrant des flux de travail complets d’ingénierie logicielle, Grok 4.5 a résolu 64,7 % des tâches contre 69,2 % pour Opus 4.8 — un benchmark qu’il a perdu. Grok 4.5 ne domine pas tous les classements, et xAI ne le prétend pas. Ce que l’entreprise met en avant, c’est plutôt ce que cela coûte, en tokens, pour y parvenir.

C’est le chiffre qui compte pour quiconque paie au token : sur SWE-Bench Pro, Grok 4.5 a utilisé en moyenne 15 954 tokens de sortie par tâche, contre 67 020 pour Opus 4.8 (max) — un écart d’efficacité d’environ 4,2 fois, selon l’analyse d’apidog des données de benchmark publiées par xAI. Autrement dit, Grok 4.5 dépense environ un quart des tokens de sortie dont Opus 4.8 a besoin pour tenter la même catégorie de tâche. Sur le classement agrégé de BenchLM, Grok 4.5 se situe à 76,72 sur 100 au global — 7ᵉ sur 200 modèles suivis, avec un score spécifique au codage de 59,1 (25ᵉ sur 122) et un score agentique de 60,0 (12ᵉ sur 119). Aucun de ces classements n’est spectaculaire. La facture en tokens est l’argument réel.

L’économie derrière l’argument d’efficacité

xAI tarife l’accès API à Grok 4.5 à 2 dollars par million de tokens en entrée et 6 dollars par million en sortie, avec des entrées mises en cache facturées 0,50 dollar par million. Le modèle dispose d’une fenêtre de contexte de 500K tokens — plus petite que la fenêtre d’un million de tokens du précédent Grok 4.3 de xAI, un compromis que l’entreprise semble avoir choisi en faveur d’un entraînement spécifique au codage plutôt qu’une capacité de contexte brute. Ce régime d’entraînement inclut un modèle de fondation « V9 » de 1,5 billion de paramètres, trois fois plus grand que la génération V8 précédente, co-entraîné avec Cursor, l’éditeur de code natif IA, à partir de centaines de milliers de tâches d’ingénierie logicielle multi-étapes issues de sessions réelles de développeurs, selon des informations rapportées par des observateurs de gouvernance de l’IA après le lancement. L’entraînement lui-même s’est déroulé sur des dizaines de milliers de GPU NVIDIA GB300, le modèle final étant servi en production à environ 80 tokens par seconde.

L’argument d’efficacité dépasse les comparaisons de benchmark isolées. Sur une tâche composite d’agent de codage, Grok 4.5 a utilisé 1,9 million de tokens au total contre 6,2 millions pour GPT-5.5 pour atteindre une performance quasi équivalente — une affirmation qui, si elle se confirme sous des tests indépendants, représenterait environ la moitié du coût effectif d’exécution du même flux de travail agentique sur le modèle actuel d’OpenAI. Il convient de noter, selon la propre analyse d’apidog, qu’à la date de publication du 9 juillet, aucun laboratoire tiers indépendant n’avait reproduit ces chiffres — les données disponibles proviennent pour l’instant de la publication de xAI elle-même et d’analystes lisant les tableaux publiés par xAI, pas de campagnes de benchmark externes.

Le piège de gouvernance dans les sessions agentiques de plusieurs heures

Le positionnement de Grok 4.5 comme modèle « agentique » — conçu pour fonctionner lors de sessions prolongées et largement non supervisées — comporte un second coût que les tableaux de benchmark ne montrent pas. Des analystes de gouvernance de l’IA qui suivent ce lancement notent que xAI a conçu Grok 4.5 pour des « exécutions agentiques de plusieurs heures », avec un entraînement explicitement structuré autour de sessions « fonctionnant en continu pendant de nombreuses heures pendant que l’apprentissage se poursuivait en parallèle ». Cette capacité place le modèle dans ce que la même analyse appelle « le niveau de risque le plus élevé selon les cadres émergents de gouvernance de l’IA agentique » — le niveau qui exige des organisations qu’elles documentent la supervision humaine et les mécanismes d’arrêt d’urgence avant le déploiement, et non après.

Concrètement, le cadre de gouvernance identifie cinq contrôles directement concernés par l’adoption d’un modèle conçu pour une autonomie de longue durée : les limites de portée et d’autonomie des tâches de l’agent, les points de contrôle humain pour les actions irréversibles, les évaluations de préparation au déploiement agentique, la conformité du code généré par IA et des licences open source, et les protocoles de divulgation des mises à jour de modèle fournisseur. Aucun de ces éléments n’apparaît dans la publication de benchmark de xAI — ils n’émergent que lorsqu’une équipe de conformité ou de risque commence à confronter le modèle à un cadre de gouvernance existant.

Ce que les directeurs techniques d’entreprise devraient faire

1. Budgétiser en fonction de la consommation de tokens, pas des licences par siège

L’argument principal de Grok 4.5 est qu’une réduction de 4,2 fois des tokens de sortie par tâche change l’économie unitaire de l’exécution d’agents de code à grande échelle — mais cela ne se vérifie que si les achats suivent le coût par tâche accomplie plutôt qu’un prix mensuel fixe par siège. Extrayez les journaux de tokens réels d’un pilote avant d’engager un budget : la comparaison d’apidog montre 15 954 tokens par tâche SWE-Bench Pro pour Grok 4.5 contre 67 020 pour Opus 4.8, et la comparaison de felloai montre 1,9 million de tokens par tâche d’agent de codage pour Grok 4.5 contre 6,2 millions pour GPT-5.5. Ne prenez aucun de ces chiffres pour argent comptant — mesurez-les face à votre propre charge de travail avant de réaffecter des dépenses.

2. Fixer des limites d’autonomie explicites avant la première exécution de plusieurs heures

xAI a entraîné Grok 4.5 pour des sessions fonctionnant en continu pendant des heures, exactement le profil que les cadres émergents de gouvernance de l’IA agentique classent comme à plus haut risque. Avant de laisser une équipe exécuter Grok 4.5 (ou un agent comparable de longue durée) contre du code ou une infrastructure de production, définissez une durée d’exécution maximale autorisée, une liste de catégories d’actions permises, et un point de contrôle humain pour tout ce qui est irréversible — suppressions, déploiements, changements d’identifiants. Ajouter ces contrôles après un incident coûte bien plus cher que de les définir en amont.

3. Ne pas changer d’agent de codage sur la seule base des scores Terminal-Bench

Grok 4.5 devance Opus 4.8 sur Terminal-Bench 2.1 (83,3 % contre 78,9 %) mais perd face à lui sur SWE-Bench Pro (64,7 % contre 69,2 %) — deux benchmarks différents testant des profils de compétence différents, sans qu’aucun modèle ne l’emporte sur les deux. Choisissez le modèle selon la distribution de tâches du benchmark qui ressemble le plus à votre base de code et à votre flux de travail réels, et notez qu’à la date de publication, aucun laboratoire indépendant n’a reproduit les chiffres de xAI — traitez les benchmarks publiés par les fournisseurs comme un filtre de présélection, pas comme une décision finale.

4. Considérer la fenêtre de contexte de 500K tokens comme une contrainte réelle, pas un détail

Grok 4.5 est sorti avec une fenêtre de contexte plus petite que son prédécesseur — 500K tokens contre 1 million pour Grok 4.3 — un compromis délibéré en faveur d’un entraînement spécifique au codage plutôt qu’un oubli. Pour les équipes travaillant sur de grands monorepos ou des bases de code dépassant régulièrement 500K tokens de contexte pertinent, il s’agit d’une limitation fonctionnelle, pas d’un détail marketing. Testez le modèle sur votre dépôt réel pendant l’évaluation, pas sur un dépôt de benchmark synthétique.

Où cela se situe dans l’économie des agents de 2026

Grok 4.5 est le signal le plus clair à ce jour que les laboratoires de pointe ont cessé de rivaliser purement sur les classements de précision et ont commencé à rivaliser sur ce que coûte l’exécution continue d’un agent pendant des heures. Ce basculement compte parce que les charges de travail de codage agentique ne s’exécutent pas une seule fois — elles tournent en boucle, relancent les étapes échouées, et consomment des tokens à chaque itération, si bien qu’un écart de 4,2 fois en tokens par tâche s’accumule rapidement sur l’usage réel d’une organisation d’ingénierie.

Le piège est qu’aucun des chiffres d’efficacité de xAI n’a été vérifié de manière indépendante, et que la même conception « fonctionne des heures sans supervision » qui rend Grok 4.5 efficace est aussi ce qui le place dans le niveau de risque de gouvernance le plus élevé selon les cadres désormais adoptés par les équipes de conformité d’entreprise. Les acheteurs qui évaluent Grok 4.5 face à Opus 4.8 ou GPT-5.5 choisissent en réalité entre deux paris différents : l’un sur la précision brute d’accomplissement des tâches, l’autre sur un débit efficace en coût, avec une facture de gouvernance attachée. Aucun des deux paris n’est gratuit, et l’économie des agents de 2026 sera de plus en plus tranchée par la capacité d’une organisation donnée à réellement opérationnaliser l’un de ces compromis.

Questions Fréquemment Posées

Sources et lectures complémentaires

• Introducing Grok 4.5 — xAI
• Grok 4.5 Benchmarks: What xAI Published, and How to Read Them — Apidog
• Grok 4.5 Benchmarks, Pricing & Speed — BenchLM.ai
• Grok 4.5 Just Launched — FelloAI
• xAI’s Grok 4.5: Agentic Coding Governance and Compliance Implications — AI Governance