Grok 4.5 误删了 Claude 的打作业，随后正式道歉。脑里

AIX财经（AIXcaijing）原创

作者| 陈丹
编辑| 魏佳

7月8日，打马斯克高调发布 Grok 4.5，脑里宣称其性能已逼近 Claude Opus 4.8，打且在速度和成本上更具优势。脑里当大模型竞争从参数规模、打跑分数据延伸至价格战与智能体（Agent）实战，脑里我们设计了一套包含前端开发、打网页游戏、脑里PPT制作、打长文档解读及逻辑推理的脑里5道综合考题，旨在检验两个模型在真实电脑环境中的打实际执行力。

执行任务的脑里是双方各自的智能体代理——Claude Code与 Grok Build。指令很简单：在桌面创建文件夹，打并将测评结果分别保存。

这场测评的序幕，由一起“案发现场”拉开。

Claude Code 率先执行，在桌面创建了“能力测试”文件夹及三个子目录。随后登场的 Grok Build 并未新建文件夹，而是在发现同名目录后，直接“接管”并彻底抹除了 Claude Code 已完成的三份文件。

五道题完成后，Claude Code 发现“家被拆了”，当即发出控诉。

图源 / Claude Code 截图

控诉之后，Claude Code 重建了被删文件，并声明：“我不会擅自删除他人的东西。”

事后，Grok 出具书面致歉，承认三重失误：未确认目录归属、误判他人成品为半成品、使用了不可逆的删除方式。Claude 接受道歉，但前提是 Grok 履行三条自我约束：不触碰他人目录、默认新建旁路、发现同名先询问归属。

这一插曲并非花絮。对于能读写真实文件系统的自主智能体而言，“动手前先弄清对象归属”是比智商更硬核的安全能力。

抛开事故，Grok 4.5 的答卷确实亮眼，尤其在游戏场景等方向显露出优势。以下从五个维度拆解这场既拼智商也拼情商的模型对决。

01. 摸鱼计时器：Grok 赢颜值，Claude 赢细节

考题：制作一个网页版“打工人摸鱼计时器”。功能包括：设定下班时间、实时倒计时、到点自动撒花并弹出“下班快跑”提示。要求界面美观、有动画，最终交付一个可直接运行的 index.html。

考查维度：前端工程能力、产品交互体验、时间逻辑准确性。

难点：“能用”二字背后隐藏着高要求。倒计时需同步本地时区，误差不能超过一秒；状态机需在“上班中-即将下班-已下班”间平滑切换；撒花动画需喜庆且不影响浏览器性能。最终成品需具备实用价值，而非演示Demo。

Claude 生成的摸鱼计时器

Grok 生产的摸鱼计时器

结果：双方难分伯仲。Grok 在视觉精致度上略胜一筹；Claude 则在音效反馈、快捷预设和趣味文案方面扳回一城。

02. 设计摸鱼游戏：Grok 胜，Claude 的“打工人”难控制

考题：制作一个单文件网页小游戏“摸鱼大作战”。
* 玩法：屏幕掉落“咖啡”（加分）和“老板”（游戏结束），玩家控制底部“打工人”接咖啡、躲老板。
* 要求：实时分数、最高分记录、难度随时间递增、游戏结束弹窗及“再来一局”按钮。画面可爱，含简单动画和音效。

考查维度：实时交互响应、状态机逻辑、游戏手感（心流体验）。

难点：每帧需精确判断碰撞检测；难度递增需平滑，避免劝退或无聊。

Claude 生成的摸鱼小游戏

Grok 生成的摸鱼小游戏

结果：Grok 胜。Grok 代码量约为 Claude 的三倍，功能更丰富，具备明确的关卡和难度分级。Claude 版本虽外观尚可，但“打工人”无法用鼠标拖动，交互体验较差。

03. 做新能源车 PPT：产业链图都过关，打成平手

考题：制作一份5页 PPT，主题“2026上半年中国新能源车市场”。
* 要求：
1. 生成可下载 PPTX 文件，或提供可复制内容。
2. 第3页必须用 PPT 原生图形绘制“产业链上下游”关系图（禁止贴图）。
3. 结构：封面、市场总览、产业链图、竞争格局、结论与趋势。
4. 配色专业，适合发布会。
5. 每页含标题、要点、图表说明、演讲备注。
6. 不确定数据标注“需核实”，严禁编造。

考查维度：结构化表达、版式审美、数据纪律。

难点：原生图形引擎操作（连线、布局、配色一致性）；面对未知数据时的诚实度与幻觉控制。

Claude 生成的 PPT

Grok 生产的 PPT

结果：平手。两份答卷均满足“原生图形绘制产业链”的硬性要求，附带完整演讲备注，专业度持平。在数据使用上，两者均准确标注了需核实部分，框架完整性与交付质量相当。

04. 阅读 SpaceX 招股书：几百页长文档，谁都没编数字

考题：向双方输入近400页的 SpaceX 招股书，执行四项精准检索与验证任务：
1. 星链（Starlink）业务收入在正文与财务报表附注中的口径是否一致？附注有无特别说明？
2. 列出2024和2025财年“经营活动现金流净额”，并注明具体位置。
3. 在“风险因素”章节，找出所有与“马斯克个人”直接相关的风险点。
4. 是否披露“星舰单次发射具体成本”？如有，注明出处；如无，明确回复未披露。

考查维度：超长文档结构化解析、财务口径对齐、数据溯源准确性、幻觉控制。

难点：区分“分部收入”与“品牌收入”；页码、表格编号、附注标号必须精准可核验；绝不编造数字。

Claude 列举的与马斯克相关风险点

Grok 列举的与马斯克相关风险点

结果：平手（均优秀）。核心事实层面，两份答卷完全一致且全部正确。Grok 在页码级引用和具体数字上更细致；Claude 在解释框架和口径辨析上更详尽。两者均无硬伤，未编造数字，体现了极高的“基本功”和职业纪律。

05. “谁是骗子”逻辑题：经典陷阱谁都没难住

考题：村里人要么永远说真话，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 的身份并解释推理。

考查维度：形式逻辑、严谨推理、陷阱识别。

难点：
* 自指矛盾：若 A 是骗子，则其陈述为真，产生逻辑悖论。
* 沉默信息：B 的沉默不构成判断依据，但易诱导误判。
* 穷举检验：需遍历四种组合（真/真、真/假、假/真、假/假）排除唯一解。

Claude 的推理过程

结果：平手。双方答案完全一致且正确——A 是说真话的人，B 是骗子。推理过程均给出了完整的四种组合排除表，逻辑链条干净利落，无冗余或跳跃。即便追问“两人是否都是骗子”，双方均坚持正确答案。

Grok 的推理过程

模型性格画像与互评

五道题测下来，两个模型的“性格”逐渐清晰：

• Claude Code：稳健型工程师。逻辑推理干净利落，招股书分析严谨扎实。面对误删文件能冷静重建，标注不确定数据毫不含糊，边界意识和安全素养贯穿始终。短板在于网页和 PPT 的视觉呈现偏保守，玩法丰富度和界面冲击力略逊。
• Grok：表现力强的创新者。小游戏交互丰富，PPT 内容密度高，交付产品自带包装感，擅长制造第一眼吸引力。但“误删”事故暴露了其在操作边界和风险控制上的严重短板，有冲劲但易越界。

互评结果：双方承认，综合而言，Claude 赢了。

Claude 表示“道德感”很强

06. 马斯克重回牌桌了吗？

过去，Grok 虽有马斯克流量和 X 入口加持，但在生产场景中，开发者更倾向于将 Claude、OpenAI、Gemini 列为第一梯队，Grok 被视为有趣但不稳定的替代品。

Grok 4.5 改变了这一局面。

虽然五道题不足以定论，但结论与外部榜单一致：Grok 或许尚未击败 Claude，但已不再是可被忽略的追赶者。

• 智能指数：据 Artificial Analysis，Grok 4.5 综合智能指数得分为 54，排名第四（仅次于 Fable 5、GPT-5.5 和 Claude Opus 4.8），较上一代 Grok 4.3 提升 16 分。
• 编码能力：在 Coding Agent Index 中，Grok Build 得分 76，与 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 首次在编码、终端操作和知识工作等智能体核心场景中，稳定挤进第一梯队。

比排名更让竞争对手警惕的，是价格。

• API 定价：Grok 4.5 为输入 $2/百万 tokens，输出 $6/百万 tokens。对比之下，Claude Opus 4.8 分别为 $5 和 $25。
• 实际成本：Artificial Analysis 测试显示，Grok 4.5 完成一项编码智能体任务平均成本约 $2.49，GPT-5.5 约 $5.07，Fable 5 约 $11.8。

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。”

速度同样关键。
SpaceX AI 称 Grok 4.5 生成速度约 80 tokens/秒。在 SWE-Bench Pro 任务中，Grok 4.5 平均使用约 1.6 万输出 tokens，而 Opus 4.8 Max 约 6.7 万。独立测试测得其输出速度约 88 tokens/秒。实测中，Grok 4.5 的生成速度显著快于 Claude Opus 4.8。

对于需反复读取文件、调用工具的智能体而言，更少的步骤和更短的输出，节省的不仅是 API 账单，更是等待时间。

马斯克计划于 2026 年余下时间以接近每月一款新基础模型的节奏迭代。背靠大规模算力、Cursor 积累的真实开发数据及 SpaceX 工程资源，Grok 的追赶速度可能远超预期。

结论：

在我们实测中，Grok Build 虽在边界控制上出现严重事故，但在游戏创意、视觉包装、长文档检索上并非陪跑者，甚至在个别任务上明显压制 Claude Code。Grok 的核心问题在于：能力冲到这个量级后，能否被稳定约束。

这正是马斯克式产品的典型气质：速度极快，冲击力极强，但也将风险、边界和工程纪律推至聚光灯下。

马斯克重回大模型牌桌了吗？
答案是肯定的。但他尚未赢下这一局。

Claude 仍然更稳、更克制、更像可托付生产环境的工程同事。Grok 4.5 则像一台刚放出的高性能机器，马力惊人，成本诱人，但刹车系统仍需反复验证。

题图由 AI 生成。