Το Grok 4.5 είναι πλέον διαθέσιμο σε ολόκληρο το οικοσύστημα της xAI, καθώς η εταιρεία επέκτεινε τη διάθεση του ισχυρότερου μοντέλου της στο grok.com, στο X, καθώς και στις επίσημες εφαρμογές για iOS και Android. Το Grok 4.5 τοποθετείται ως μοντέλο «Opus-class» με υψηλή token efficiency και εστιάζει στην αυτοματοποίηση σύνθετων workflows, από τη δημιουργία πολυσέλιδων αρχείων Excel και slides παρουσιάσεων, μέχρι τη σύνοψη PDF και τη λειτουργία native add-ins για το Microsoft 365.
Grok 4.5, our most capable model yet, is now available across https://t.co/f3u3RwhHjk, X, and the iOS and Android apps. pic.twitter.com/QvkJb7lny0
— Grok (@grok) July 23, 2026
Πρόσβαση χωρίς desktop και χωρίς βαριά κόστη
Η πρόσβαση σε τεχνητή νοημοσύνη κορυφαίας βαθμίδας συνήθως προϋποθέτει έναν desktop υπολογιστή, διαρκή προσαρμογή των prompts ή βαριές χρεώσεις χρήσης API. Η xAI αλλάζει αυτή την εξίσωση, μεταφέροντας το flagship μοντέλο της σε κάθε πλατφόρμα όπου βρίσκεται ο χρήστης. Το μοντέλο είχε αρχικά αναπτυχθεί ως εξειδικευμένη μηχανή μέσα σε developer tools, ενώ πλέον λειτουργεί ως το προεπιλεγμένο υποκείμενο μοντέλο σε ολόκληρο το consumer και mobile οικοσύστημα της εταιρείας.
Αυτοματοποίηση εργασιών γραφείου
Στη συγκεκριμένη κυκλοφορία, οι developers δεν κυνήγησαν επιφανειακές νίκες σε benchmarks. Η ενημέρωση επικεντρώνεται στην πρακτική εκτέλεση πολλαπλών βημάτων, στους ταχύτερους χρόνους απόκρισης και στη διατήρηση του context σε εκτενείς και σύνθετες συνομιλίες. Στα καθημερινά επαγγελματικά workflows, το Grok 4.5 απαντά σε ένα διαχρονικό bottleneck: την ατέλειωτη επαναληπτική διόρθωση που απαιτείται συνήθως για να καθαριστούν τα drafts που παράγει ένα AI μοντέλο.
Η εκπαίδευση σε δεκάδες χιλιάδες GPUs
Το τεχνικό υπόβαθρο είναι εντυπωσιακό. Το Grok 4.5 εκπαιδεύτηκε σε δεκάδες χιλιάδες NVIDIA GB300 GPUs, με τεχνικές εκπαίδευσης και σταθερότητας σχεδιασμένες για runs μεγάλης κλίμακας. Πέρα από τον καθαρό όγκο των tokens, η εταιρεία επένδυσε σημαντικά στο φιλτράρισμα και στην επιμέλεια των δεδομένων — deduplication, quality scoring και επιλογή με εστίαση σε συγκεκριμένους τομείς — ώστε το μείγμα δεδομένων να παραμείνει υψηλής κάλυψης και υψηλού σήματος.
Παράλληλα, κλιμακώθηκε το reinforcement learning με έμφαση στην ευφυΐα ανά token. Η RL εκπαίδευση κάλυψε εκατοντάδες χιλιάδες tasks, με επίκεντρο το multi-step software engineering και άλλες τεχνικές εργασίες, χρησιμοποιώντας αυτοματοποιημένη και model-based βαθμολόγηση. Το stack είναι χτισμένο για ιδιαίτερα ασύγχρονη εκπαίδευση, ώστε τα agentic rollouts να μπορούν να τρέχουν επί ώρες ενώ η μάθηση συνεχίζεται σε δεκάδες χιλιάδες GPUs.
Ταχύτητα και απόδοση
Το μοντέλο σερβίρεται σε ταχύτητες fast-model της τάξης των 80 TPS. Σε συνδυασμό με διπλάσια token efficiency έναντι των κορυφαίων ανταγωνιστικών μοντέλων στις ίδιες εργασίες, το Grok 4.5 παραδίδει αποτελέσματα ταχύτερα και με σημαντικά χαμηλότερο κόστος. Στο κομμάτι του coding, το μοντέλο δηλώνεται ικανό να χειρίζεται απαιτητικά tasks σε Rust και C/C++, καθώς και να χτίζει ολοκληρωμένες εφαρμογές από το prompt μέχρι την παραγωγή, ακόμη και με ελάχιστες προδιαγραφές.
Excel, PowerPoint και Word
Το Grok 4.5 αποτελεί πλέον το προεπιλεγμένο μοντέλο στο Grok Build, το οποίο μπορεί να δημιουργεί σύνθετα μοντέλα Excel που περιλαμβάνουν έρευνα από το web, χρήση formulas σε πολλαπλά φύλλα, ακόμη και σημειώσεις για μελλοντική αναφορά. Σε PowerPoint και Word η προσέγγιση είναι εξίσου σχολαστική: το μοντέλο αξιοποιεί native PowerPoint shapes για την κατασκευή σύνθετων διαγραμμάτων, σχεδιάζει εύληπτο περιεχόμενο slides και συντάσσει καθαρό κείμενο στο Word.
Επιθετική τιμολόγηση
Το ίσως ισχυρότερο ατού του Grok 4.5 είναι η τιμή. Το μοντέλο κοστολογείται στα 2 δολάρια ανά εκατομμύριο input tokens και στα 6 δολάρια ανά εκατομμύριο output tokens, υποσκελίζοντας την Anthropic και την OpenAI. Επιτυγχάνει επίσης περίπου διπλάσια token efficiency σε σχέση με συγκρίσιμα κορυφαία μοντέλα, επιλύοντας εργασίες σε λιγότερα από τα μισά βήματα.
Ο συνδυασμός αυτός συνθέτει την επιχειρηματολογία της xAI: τη μέγιστη ευφυΐα ανά μονάδα χρόνου και κόστους. Σε μια αγορά όπου το κόστος inference αποτελεί καθοριστικό παράγοντα για κάθε επιχείρηση που χτίζει πάνω σε LLMs, η επιθετική τιμολόγηση μπορεί να αποδειχθεί εξίσου σημαντική με τις ίδιες τις επιδόσεις του μοντέλου.
