文 | 象先志
SpaceXAI 正式发布了 Grok 4.5，这是他们收购 cursor 之后首次发布模型。
SpaceXAI 是这样描述的 : 这是他们第一个专门为 coding 和 agents 训练的模型，和 Cursor 一起训练，已经进入 Grok Build、Cursor 全部计划和 SpaceXAI console。价格也摆在同一张桌面上：每百万 input token 2 美元，每百万 output token 6 美元。
Grok 4.5 面向普通用户更全面开放。马斯克在 X 上煽风，说它是 Opus-class model，但更快、更省 token、成本更低。
真正要紧的是性价比：一次调用多少钱，缓存命中多少钱，接进工作流以后谁来买单。
坏，GLM 和 MiniMax 们的致富密码，让老马学去了。
便宜不是低端，是入口
中国模型厂过去一年最常被讨论的一件事，就是卖便宜 token。
DeepSeek、阿里、百度、字节、腾讯们一轮轮把价格打下来，外界很容易把它理解成低端竞争：你没有最强模型，所以只能靠便宜抢调用量。AI 的低频用户的人确实爱这样描述，毕竟他们自己不用花钱。
如果模型只是 chatbot，便宜确实不够性感。用户一个月付 20 美元，如果只是聊聊天当陪玩，确实也没啥用。
但 coding agent 不是这么卖的。
它进 IDE，进 terminal。每一次调用背后可能是一个 bug、一次 review、一次失败重跑，再加上 loop，再便宜的单价都会让人肉疼。所以说，没有最便宜，只有更便宜。
既然这个前提确定了，token 价格就不是 " 便宜 " 两个字，而是入口，是真的让普通人能用起来的可能性。
SpaceXAI 官方页很会刺激开发者神经。它在 SWE-Bench Pro 任务上给了一个 token efficiency 对比：Grok 4.5 平均输出 15,954 tokens，对照的 Opus 4.8 max 是 67,020 tokens，少 4.2 倍。这个数当然来自 SpaceXAI 自己发布，不能当第三方终审；但它很准确地暴露了这次发布想让市场记住什么。
是 agent 这个商业形态，把中美模型厂都赶到了同一张价格表前。中国厂只是被价格战提前训练过，老马这次把这套语言讲成了一个硅谷故事。
OpenAI 也掀桌了
同一天，OpenAI 做了一件看上去很技术、其实很商业的事：它公开审计 SWE-Bench Pro。
先解释下：SWE-Bench Pro 是 coding agent 的考试题库，包含的主要考题更接近真实工程场景的活：给模型一个代码仓库、一个 issue 或 bug 描述，让它像工程师一样改代码，再用测试验证到底有没有修好。模型厂说自己的 agent 会写代码、会修 bug、能替工程师干活，很多时候就需要这类榜单来证明。
不过这次有点打脸，OpenAI 以前说过，老考卷 SWE-Bench Verified 已经不好用了，大家应该改用新考卷 SWE-Bench Pro。结果现在，它发现新考卷里也有大约三成题目有问题。
OpenAI 给出一组数据：在 731 道公开题里，frontier models 的通过率 8 个月里从 23.3% 涨到 80.3%；自动审查确认 200 个 broken tasks，占 27.4%；人工标注认为 249 个任务有问题，占 34.1%。
这些技术细节不用记太多。所谓 " 撤回建议 "，意思很简单：OpenAI 不再建议大家把 SWE-Bench Pro 当成可靠标准答案了。
其实核心指向点就一个，OpenAI 开始质疑标准，他们认为现在得测评不能代表真实得产出，延伸一步来看，就是现有得测评不能真实反映模型是否经济。
OpenAI 有 Codex，Anthropic 有 Claude Code，SpaceXAI 有 Grok Build 和 Cursor 入口。现在已经不完全是 toke 单价的竞争时代了，模型大厂们开始考虑以解决项目的能力作为卖点，直接影响企业采购、开发者心智和模型厂定价。
谁能在真实 repo 里改 bug，谁能接入权限系统，谁能解释失败重跑，谁能把一次 agent 任务拆成可审计的成本，谁就更有资格说自己的模型能干活。
这里刚好接上 " 卖 token" 的主线。
旧 benchmark 信不过了，企业不会因此停止采购 agent。它们会换一种问法：别告诉我你榜单第几，先让我看一个真实任务，跑完到底化了多少钱。
这正是中国模型厂最熟的场景。因为卖 token 从来不只是卖一串数字，它卖的是可比较、可计费、可复现的工作单位。OpenAI 审计 SWE-Bench Pro，看起来是在清理评测噪音；放在 Grok 4.5 发布当天，它也客观上把 " 真实工作流 + 价格验证 " 推到了前台。
但 OpenAI 自己承认约 30% 任务有问题，已经把弹药递到了他手里。
老马最擅长的，不是把复杂机构语言讲完整，而是把它压成 X 上一句能传播的话。他不需要成为评测裁判，他只要不断提醒开发者：裁判也会出错，真实任务才算数。
IDE 变成新的收银台
最总一切都关乎于计费，所以 agent 时代真正的计费模式不在命中缓存，也不在每百万 token 价格，而是在 IDE 里。
开发者每天睁眼打开 Cursor，切 terminal，刷 GitHub，看 CI 面板到底是绿灯还是红灯。过去模型厂争的是网页入口，后来争手机 App，再后来争 API。coding agent 出现以后，入口往前挪了一步，挪到了代码被写出来的地方。
Cursor 的定价页很直白：个人版每月 20 美元，Teams 每用户每月 40 美元，功能写着 Agent requests、frontier models、MCPs、skills、hooks、cloud agents、Bugbot usage-based billing、usage analytics。他正在把模型调用、agent 能力、团队权限和使用统计打包成一个开发组织的账单中心。
Claude Code 也在做同一件事，只是语气更像企业软件。Anthropic 的成本文档不讲 " 革命 "，它告诉你怎么追踪 token 使用、怎么设 spend limits，还给出企业用户平均约 13 美元 /developer/active day、150-250 美元 /developer/month 的参考区间，90% 用户低于 30 美元 /active day。
OpenAI 的 Codex 论文则给了使用形态的另一面：2026 年上半年 Codex 活跃用户增长超过 5 倍，超过 10% 用户每周会管理 3 个以上并发 agents，skills 使用率到 6 月升到 26.6%。
综合起来看，计费模式就很明确了。
Cursor 证明入口在哪里；Claude Code 证明账单怎么管；Codex 证明 agent 正在从单次问答，变成并发任务队列。
Grok 4.5 要抢的是 Cursor 里的默认模型、Grok Build 里的 agent 工作流、开发团队的 token 预算，以及 X 时间线上 " 什么才算真的能干活 " 的解释权。
这也是为什么 " 成本 " 突然变锋利。
如果模型还停在聊天框里，成本只是厂商毛利问题。用户不太关心你推理一次烧多少钱，只关心回答是不是像人。可一旦模型进入 IDE，成本就变成产品体验的一部分。上下文长不长、吞吐快不快、失败重跑贵不贵、团队用量能不能管，都会变成开发者每天能摸到的阻力。
便宜当然不是免死金牌。
agent 改坏一次生产库，省下的 token 钱不够赔一次事故复盘。X 上转得再欢，企业也不敢只靠这个买单。真正能让开发团队留下来的，是稳定性、权限、安全、上下文管理和可控失败。
所以 Grok 4.5 这张牌也有风险。
首先，SpaceXAI 官方 token efficiency 数据还需要更多第三方复现。其次，Cursor 入口不等于长期默认，开发者会在真实任务里用脚投票。OpenAI、Anthropic、Google 不会把 IDE 账单中心拱手让人，它们只会更快把 cost-per-task、workspace integration 和 eval governance 写进产品叙事。
但这反而说明，竞争的本质已经变了。
以前模型厂争的是 " 谁更聪明 "。现在它们开始争三个更具体的东西：谁定义能干活，谁占住工作入口，谁收走每一次任务调用的钱。
评测权、入口权、计费权，正在变成同一个战场。
Agent 正在告诉所有人，AI 是新时代的工位。
一次 bug fix，一次 PR review，一次 CI 修复，一次文档生成，一次失败重跑。每个单位都要被验证、被计费、被归因。
接下来 1-3 个月，真正该看的也不是哪家又刷了一个榜单。而是看谁家的 token 和 agent 配合的更加经济。
老马未必学了中国。
但这一次，他确实把中国模型厂最早承认的现实，讲成了一个硅谷故事。
