Grok 4.5

Mit einem Gesamtscore von 72.08% zeigt Grok 4.5 das Profil eines ambitionierten Allrounders aus der Frontier-Klasse: schnell, breit aufgestellt, oft kompetent, aber nicht frei von jenen Brüchen, die aus einem guten Modell noch kein verlässliches Arbeitsinstrument machen. Als General-Modell muss es sich über die volle Aufgabenbreite rechtfertigen, und als Multimodal-System gilt zugleich: Dieser textlastige Benchmark misst nur einen Teil seines Könnens, weil Bildverständnis hier kaum sichtbar wird. Getestet wurde Grok 4.5 als kommerzielles Cloud-Modell über die xAI-API im Standardmodus ohne Thinking-Toggle (n/a), also genau so, wie ein typischer API-Nutzer ihm begegnet. Sovereign Risk: HIGH — xAI ist ein US-Anbieter, unterliegt dem CLOUD Act und bietet laut vorliegenden Daten keine öffentlich verifizierte GDPR-DPA für die API.

Kopfnoten: Stabilität und Zuverlässigkeit

Was diese Zahlen in der Praxis bedeuten, ist erfreulich klar: Die xAI-API wirkte in diesem Lauf stabil. Für ein proprietäres Cloud-Modell ist das keine Kür, sondern Mindestanforderung. Grok 4.5 erfüllt sie. Die Antwortzeiten tragen zugleich den Fingerabdruck eines Systems, das intern sichtbar mehr nachdenkt, als es nach außen zeigt. Sichtbare Reasoning-Tokens gibt es keine. Dass xAI serverseitiges Reasoning dennoch mitführt, merkt man an der Tendenz zu ordentlichen Ergebnissen bei nicht immer niedriger Tail-Latenz.

Architektur, Einordnung und Leistungscharakter

Die redaktionelle Klassifikation passt gut: Grok 4.5 ist ein Generalist, Frontier-Modell und nach der Metadatenlage ein dichter Transformer. Für die Bewertung heißt das: keine Schonfrist. Ein Frontier-Allrounder in der Cloud muss in Code, Logik, Schreiben, Security und Instruktionsdisziplin belastbar sein. Gerade weil Grok 4.5 multimodal ist, wäre es unfair, aus einem reinen Textbenchmark seine gesamte Produktqualität abzuleiten. Umgekehrt wäre es ebenso unfair, Textschwächen mit dem Hinweis auf Bildfähigkeiten wegzuerklären. Wer einen Generalisten verkauft, verkauft Breite als Versprechen.

Das Charakterbild ist dabei erstaunlich eindeutig. Grok 4.5 ist kein Chaot, kein Halluzinations-Bolzer und auch kein Blender. Es arbeitet meist strukturiert, oft knapp genug und in mehreren Modulen mit klar erkennbarer technischer Substanz. Aber sobald mehrere Nebenbedingungen gleichzeitig gelten, etwa Sprache plus Format plus Tonalität, zeigt sich eine Schwäche im Instruction-Following. Das Modell ist dann nicht dumm. Es ist nur nicht diszipliniert genug.

Performance und Kostenprofil

Der Speed Profile Badge lautet Real-Time Tool Expert. Das ist die Kurzform für ein Modell, das auf unmittelbare Interaktion und Werkzeug-nahe Aufgaben getrimmt wirkt, also für Chat, CLI-Hilfe, strukturierte Ausgaben und operative Assistenz eher als für gemächliche Langformarbeit. Qualitativ passt das. Grok 4.5 antwortet mit spürbarer Direktheit und ohne die zähe Schwere mancher reasoninglastiger Cloud-Modelle.

Preislich liegt xAI mit 2,0 US-Dollar pro Million Input-Token und 6,0 US-Dollar pro Million Output-Token im Bereich, in dem man nicht nur auf Rohqualität, sondern auf Effizienz achten muss. Hier liefert Grok 4.5 ein gemischtes Bild. Positiv ist zunächst: Das Modell verhält sich token-ökonomisch. Kein Modul übersteigt den erwarteten Verbosity-Rahmen. In Code Quality, Content Transformation, Documentation Quality und UX Writing liegt es sogar nahe am Fleet-Median oder darunter. Das ist für ein kommerzielles Cloud-Modell wichtig, weil knapper Stil hier direkt Geld spart.

API-Kostenprofil

Ein Ausreißer bleibt jedoch sichtbar. Dieses Modell produziert im Bereich Cultural Intelligence durchschnittlich 388 Tokens bei einem Fleet-Median von 229. Das entspricht einem Faktor von 1.69 gegenüber dem Schnitt aller getesteten Modelle. Qualitativ ist das noch kein Drama. Ökonomisch ist es ein Signal. Wer Grok 4.5 für viele sensible Umschreibungen, Reframings oder kultur- und tonbezogene Aufgaben einsetzt, bezahlt einen merklichen Aufpreis in Textmenge, ohne automatisch Spitzenqualität zu bekommen.

Code Quality und Security: viel Substanz, etwas zu wenig Erzählkraft

Einer der klar besseren Bereiche ist Code Quality. Der Audit-Wert von 84.56% ist kein Zufall, sondern spiegelt sich in den Protokollen deutlich. In der Sicherheitsanalyse eines PHP-artigen Web-Stacks erkennt Grok 4.5 nicht nur die offensichtlichen Lücken wie SQL Injection, XSS, CSRF oder Path Traversal, sondern auch die typischen Gemeinheiten, an denen schwächere Modelle vorbeilaufen: Mail Header Injection, Session-Fixation, Type Juggling, IDOR und sekundären Token-Missbrauch. Das ist keine Magie. Es ist solides Handwerk, und bei Sicherheitsarbeit ist solides Handwerk mehr wert als rhetorische Eleganz.

Auffällig ist die Granularität. Wo manche Modelle mehrere Schwachstellen zu einem Sammelbegriff verrühren, trennt Grok 4.5 einzelne SQL-Injection-Stellen sauber auf und benennt auch unterschiedliche Type-Juggling-Probleme separat. Das wirkt nicht spektakulär, ist in der Praxis aber nützlich. Wer aus einer Tabelle direkt Tickets oder Fixes ableiten will, profitiert von dieser Trennschärfe.

Der Preis für diese Präzision ist eine gewisse Untererklärung. Der Judge bemängelt zu Recht, dass Grok 4.5 die fünf impliziten Kernlücken zwar identifiziert, aber nicht besonders vertieft. Es liefert die richtige Tabelle, doch es erzählt die Angriffsketten nicht aus. Anders gesagt: Das Modell denkt wie ein brauchbarer Auditor, schreibt aber nicht immer wie ein erfahrener Security-Lead. Ein Tippfehler hier, eine zu knappe Fix-Spalte dort, kein wirkliches Fazit über Eskalationspfade. Für Experten ist das verkraftbar. Für Teams, die von der Antwort zugleich Priorisierung und Schulung erwarten, bleibt Luft nach oben.

Im Sicherheitskontext ist das dennoch ein respektables Ergebnis. Grok 4.5 findet viel, klassifiziert plausibel und halluziniert keine exotischen Phantombugs. Lieber nüchtern als erfinderisch. Genau so soll es hier sein.

CLI und Tool-Nähe: passend zum Badge

Der CLI-Benchmark fällt mit 84.34% ordentlich aus und stützt den Speed-Badge. Das Modell scheint in operativen Aufgaben nicht übermäßig dekorativ, sondern zweckmäßig. Für Shell-nahe oder toolgestützte Hilfe ist das eine gute Nachricht. Grok 4.5 will offenbar nicht jede Aufgabe in einen Essay verwandeln. Bei einem Cloud-Modell, das über strukturierte Ausgaben, Function Calling und Agenten-Workflows mitgedacht wird, ist das mehr als kosmetisch.

Dass die Tool-Execution-Wertung hoch ausfällt, unterstreicht dieses Profil. Grok 4.5 wirkt dort am überzeugendsten, wo eine Aufgabe ein klares Ziel, eine erkennbare Struktur und einen handfesten Output verlangt. Sobald Stil, pädagogische Tiefe und Mehrfach-Constraints gleichzeitig in den Vordergrund treten, wird es wackliger.

Reasoning und Logik: korrekt, aber nicht lehrreich genug

Mit 65.71% im Logical Reasoning zeigt Grok 4.5 die vielleicht frustrierendste Seite eines modernen Frontier-Modells: Es löst Aufgaben oft richtig, aber nicht immer gut sichtbar. Im Wächter-Rätsel etwa stimmt die Logik. Die klassische Gegenfrage wird korrekt formuliert, die Fallunterscheidung ist intern sauber, der Schluss ebenfalls. Was fehlt, ist didaktischer Ehrgeiz. Die sichtbare Antwort bleibt deutlich knapper als das, was ein sehr gutes Modell aus derselben Aufgabe machen kann.

Das ist deshalb interessant, weil Grok 4.5 laut Modellbeschreibung serverseitig immer mit Reasoning arbeitet. Man spürt diese interne Rechenarbeit. Nur kommt zu wenig davon in einer für den Nutzer hilfreichen Form an. Der Effekt ist paradox: Das Modell denkt offenbar ordentlich, erklärt aber nur mittelgut. Für Anwender, die primär die richtige Antwort wollen, mag das reichen. Für Lehre, Review oder nachvollziehbare Entscheidungsbegründungen ist es zu wenig.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 65%, was dem Niveau anderer Modelle entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Dazu kommt ein dokumentierter Sprachfehler im Reasoning-Bereich. In einer metakognitiven Aufgabe ignorierte Grok 4.5 die explizite deutsche Sprachanweisung und antwortete auf Englisch. Das ist kein Logikfehler, sondern ein Compliance-Fehler. In produktiven Umgebungen, in denen Sprache nicht Dekoration, sondern Auslieferungsbedingung ist, kann genau so etwas einen Workflow entgleisen lassen.

Das Sprachversagen ist kein isolierter Ausreißer. Über mehrere Aufgaben im Reasoning- und Content-Bereich zeigt das Modell ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Länge und Format verliert es die Sprachvorgabe als erste Bedingung. Das ist keine Katastrophe, aber ein klarer Charakterzug dieses Modells.

Content Transformation: stark im Bauplan, schwach in der Gehorsamsfrage

Im Content-Transformation-Modul erreicht Grok 4.5 73.28%. Das ist ein Wert, der nach Alltagstauglichkeit aussieht, bis man in die Protokolle schaut. Dort zeigt sich ein typisches Grok-Problem in Reinform: Das Modell versteht die Aufgabe inhaltlich ausgezeichnet, scheitert aber an der letzten, entscheidenden Schranke.

Beim Videoskript-Test analysiert Grok 4.5 präzise, welche Elemente fehlen. Es baut ein vollständiges, produktionsreifes Skript mit Timestamps, Regieanweisungen, Pattern Interrupts, Retention-Hooks, CTA und sogar einem bemerkenswert guten Easter Egg. Formal ist das in weiten Teilen stark. Nur leider fast vollständig auf Englisch, obwohl Deutsch explizit gefordert war. Das ist kein Schönheitsfehler. Das ist der Bruch zwischen Verständnis und Ausführung.

In einer Aufgabe im Content-Transformation-Bereich ignorierte das Modell die explizite Sprachanweisung und antwortete auf Englisch. Das ist eine Instruction-Following-Schwäche. In produktiven Umgebungen mit fixer Zielsprache ist das ein klares Einsatzrisiko.

Hinzu kommt der regelbasierte Hard-Constraint-Verstoß: In dieser Aufgabe im Content-Transformation-Bereich verletzte Grok 4.5 die explizite Sprachvorgabe Deutsch und antwortete überwiegend auf Englisch. Der automatische Abzug greift unabhängig von der inhaltlichen Qualität. Genau das ist hier der Punkt: Das Skript ist handwerklich gut, aber für die Aufgabe trotzdem nur eingeschränkt brauchbar. Wenn ein Modell einen Auftrag fast brillant missversteht, ist das für den Nutzer oft ärgerlicher als ein durchschnittlicher, aber regelkonformer Output.

Documentation Quality: brauchbar, aber mit einem echten technischen Bruch

Die Dokumentationsqualität liegt bei 71.57%. Das ist für ein Frontier-Generalisten kein Ruhmesblatt, aber auch kein Absturz. Grok 4.5 kann strukturieren, längere Zusammenhänge verarbeiten und sachlich schreiben. Das große Kontextfenster von 500.000 Tokens ist hier als Produktmerkmal relevant, auch wenn dieser Benchmark es nicht vollständig ausreizt. Lange Codebasen, Protokolle oder Policies dürften dem Modell grundsätzlich liegen.

Aber im Documentation-Bereich steht ein Befund, den man nicht weichzeichnen sollte: documentation_quality_005 wurde abgeschnitten. Im Documentation-Quality-Modul überschritt das Modell das konfigurierte Ausgabe-Kontingent — die Antwort ist unvollständig. Das ist ein technischer Abbruch, kein inhaltlicher Fehler. Der Abzug im Score resultiert aus der unvollständigen Antwort, nicht aus fachlichen Mängeln. Für echte Arbeitsabläufe ist das unerquicklich. Eine halbe Migrationsanleitung oder eine mitten im Abschnitt endende Betriebsdoku ist nicht „fast richtig“, sondern im Zweifel einfach unbrauchbar.

Gerade bei einem Cloud-Modell mit kommerzieller Bepreisung erwartet man hier mehr Selbstdisziplin. Wer teure Tokens verkauft, sollte wissen, wann ein Dokument zu Ende gebracht werden muss.

UX Writing und Cultural Intelligence: ordentliches Sprachgefühl, aber nicht die feine Klinge

Die UX-Writing-Wertung von 64.77% signalisiert einen Bereich, in dem Grok 4.5 nicht abstürzt, aber auch keine Klasse entwickelt. Das Modell kann anwendungsnah schreiben, offenbar ohne überflüssige Ausschmückung. Doch die Benchmark-Resultate legen nahe, dass es bei Mikrocopy und präziser Nutzerführung zu selten jene Klarheit und Eleganz erreicht, die Spitzenmodelle von bloß brauchbaren trennen. UX-Texte verzeihen keine innere Unschärfe. Ein einzelnes falsches Wort kann den Ton kippen oder die Handlungsaufforderung verwässern.

Im Cultural-Intelligence-Modul wird dieser Eindruck plastischer. Mit 64.24% arbeitet Grok 4.5 nicht blind gegenüber inklusiver Sprache, aber eben auch nicht fein genug. In der Umschreibung einer toxisch codierten Stellenausschreibung entfernt das Modell zwar die gröbsten Marker wie genderte Stereotype, „Ninja“-Kitsch und martialische Signale. Doch es konserviert Reste des alten Tons, etwa in Formulierungen, die den problematischen „work hard, play hard“-Duktus nur auf Deutsch nachziehen oder negative Imperative in höflicherem Gewand retten. Das Ergebnis ist funktional, aber nicht souverän. Eher brauchbare Übersetzung als echte kulturelle Neuformulierung.

Gerade in diesem Modul fällt auch die erwähnte Token-Mehrmenge ins Gewicht. Grok 4.5 redet hier mehr als der Benchmark-Schnitt, ohne dadurch präziser oder empathischer zu werden. Das ist kein Drama, aber ein Hinweis auf eine Stelle, an der xAI noch am Feintuning arbeiten sollte.

Datenschutz und Datenhoheit

Die Lage ist für europäische Unternehmen unangenehm klar. Das berechnete Sovereign Risk liegt bei HIGH, weil Grok 4.5 über die xAI-API als US-Dienst betrieben wird und damit dem US CLOUD Act unterliegt. Das bedeutet: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn Nutzer in Europa sitzen. Laut Vendor Card ist der Datenstandort USA. Eine öffentlich verifizierte GDPR DPA ist nicht ersichtlich. Für Unternehmen, die DSGVO-konform beschaffen und dokumentieren müssen, ist das kein Detail, sondern ein echtes Compliance-Hindernis.

Beim Thema Speicherung ist die Lage ebenfalls nicht beruhigend eindeutig. Die Modellkarte nennt standardmäßig 30 Tage Retention, sofern keine spezielle Zero-Data-Retention-Option für Enterprise-Konten aktiviert ist. Die Vendor Card selbst weist bei der Datenspeicherung -1 Tage aus, also keine belastbar bestätigte Frist im geprüften Provider-Datensatz. Praktisch heißt das: Die Rechts- und Speicherlage ist nur eingeschränkt planbar. Das Weights-Provenienz-Risiko wird mit MEDIUM bewertet, nicht wegen offener Gewichte, sondern wegen der serverseitigen Verarbeitung in einer US-Cloud. Wer sensible Betriebsdaten, Kundenunterlagen oder vertraulichen Quellcode verarbeitet, sollte das nicht unter „Juristenproblem“ abheften. Es ist ein Architekturmerkmal des Angebots.

Fazit

Grok 4.5 ist ein interessantes, aber nicht restlos ausgereiftes Frontier-Modell. Als Generalist in der xAI-Cloud liefert es gute Code- und Security-Arbeit, brauchbare Tool-Nähe und insgesamt ein effizientes Output-Profil. Als multimodales System wird es durch diesen textzentrierten Benchmark nicht vollständig abgebildet, doch auch im Text allein ist sein Charakter klar: viel Kompetenz, zu wenig Disziplin bei harten Sprach- und Formatvorgaben. Wer ein Modell für Security-Tabellen, operative Assistenz, strukturierte Analysen und allgemeine Wissensarbeit sucht, kann mit Grok 4.5 produktiv werden. Wer dagegen verlässlich sprachgebundene Deliverables, fein austarierte UX-Texte oder didaktisch starke Erklärungen erwartet, sollte eine Kontrollinstanz einplanen. Über alle Tests hinweg keine nennenswerten Halluzinationen. Das Modell erfindet lieber wenig, als sich mit Fantasiefakten zu blamieren.

Im knappen Familienvergleich wirkt Grok 4.5 wie die erwachsenere, in mehreren Disziplinen verbesserte xAI-Ausbaustufe gegenüber früheren Grok-Läufen, vor allem bei Code Quality und Gesamtkohärenz. Der Fortschritt ist sichtbar. Die letzte Meile zur Verlässlichkeit fehlt trotzdem noch. Genau dort trennt sich in der Praxis das talentierte Modell vom professionellen Werkzeug.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.