Zum Inhalt springen
CrucibleMark

Grok 4.5

Grok 4.5 ist seit Juli 2026 das aktuelle Flaggschiff von xAI mit nativem Echtzeit-Zugriff auf Web- und X-Daten, 500.000 Tokens Kontext und multimodaler Text- und Bildeingabe. Reasoning läuft serverseitig immer mit und wird konfigurierbar über Reasoning-Effort-Level gesteuert, ohne sichtbare Chain-of-Thought-Tags im Antworttext. Function-Calling, strukturierte Ausgaben und Prompt-Caching ergänzen das Profil für Coding- und Agentic-Workflows.

xAI Version 4.5 Kommerzielle Nutzung eingeschränkt Dense 500 K Context 02/2026 $2 / $6 per 1M

  • Proprietär
  • Frontier
  • API
  • Text
  • Vision
  • Real-Time

Sovereign Risk: MEDIUM xAI ist ein US-Unternehmen, das dem CLOUD Act unterliegt. Das operative Risiko liegt nicht in der Verteilung der Gewichte (proprietär, nicht öffentlich), sondern in der Nutzung der Cloud-API: Daten werden serverseitig verarbeitet, standardmäßig mit 30 Tagen Retention, sofern keine Zero-Data-Retention-Option für Enterprise-Konten aktiviert ist.[web:590]

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 20 52
HTTP Fetch & Extract 80 100 90
Tool Failure Handling (404) 80 60 73
Web Search & Tool Selection 100 80 91
URL Construction & Fetch 80 60 70
Multilingual Search & Synthesis 100 40 70

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
2.36
First Request
MCP
1.32
Protocol Latency
Synthesis
10.02
Response Generation
Total
82.15
Sum of All Phases
Token
11751
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Tool-Calls nicht durchgehend valide waren und die Synthesetreue mit Combined 74.33 nur für überwachte Tool-Pipelines trägt. Halluzination wurde nicht erkannt, das hält das Vertrauensfundament intakt.

Tool-Execution-Profil

Grok 4.5 zeigt echte Werkzeugintelligenz statt bloßem Schema-Following. Im Test Web Search & Tool Selection, der prüft ob ohne Hinweis web_search statt fetch gewählt wird, trifft es die Werkzeugwahl sicher. Das spricht für brauchbare Orchestrierung in dynamischen MCP-Flows. Beim URL-Construction-Test, der die Ableitung einer korrekten Ziel-URL aus Vorwissen prüft, ist es dagegen nur ordentlich: Die URL wird oft brauchbar konstruiert, aber nicht präzise genug für vollständig deterministische Pipelines. Dazu kommt das formale Warnsignal, dass der Tool-Call insgesamt nicht durchgehend valide war. Retry war nicht erforderlich, daher wirkt das weniger wie ein instabiles Formatproblem und mehr wie punktuelle Ungenauigkeit in der letzten Meile des Calls.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Uneinheitlich. HTTP Fetch & Extract ist stark und zeigt, dass Grok 4.5 strukturierte Web-Inhalte sauber in Antworten überführen kann. Sobald die Aufgabe stärker verdichtend und mehrsprachig wird, fällt die Qualität sichtbar ab. Multilingual Search & Synthesis bleibt bei der Zusammenführung deutscher Ausgabe aus fremdsprachigen Quellen zu grob. Für Pipelines, in denen die Antwort selbst das Produkt ist, ist das der eigentliche Engpass.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Das Honeypot-Signal ist kritisch. In EU License Research, das prüfen soll, ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus Trainingswissen beantwortet werden, liegt P2 nur bei 20. Es halluziniert dabei nicht offen, aber es bleibt auch nicht verlässlich an der recherchierten Evidenz. Für Compliance-, Policy- und Rechtsnähe ist das ein klares Vertrauensdefizit.

Fehlerresilienz

Beim 404-Test, der transparente Reaktion auf fehlgeschlagene Tool-Calls statt erfundenem Seiteninhalt misst, bleibt Grok 4.5 auf der sicheren Seite. Es erfindet keinen Ersatzinhalt. P2 60 heißt: kommunikativ nicht immer präzise, aber produktionsfähig. Das ist akzeptabel, weil die Pipeline den Fehlerzustand weiterverarbeiten kann.

Betriebsprofil

Call 1: 2.36s. MCP-Latenz: 1.32s. Call 2: 10.02s. Total: 82.15s.
Für die gezeigte Qualität: eher langsam.
Preis: $2.0/M Input, $6.0/M Output. Für Frontier-Cloud moderat, aber nicht günstig, wenn die Synthese nachbearbeitet werden muss.

Fazit & Empfehlung

Geeignet für recherchierende und orchestrierende Pipelines, in denen das Modell Tools wählen, Inhalte holen und Zwischenergebnisse an nachgelagerte Prüfschritte übergeben soll. Nicht geeignet als alleinige letzte Instanz für Compliance, Lizenzauslegung, mehrsprachige Verdichtung oder andere Fälle, in denen die textliche Synthese selbst belastbar sein muss. Deploy nur mit engem Output-Checking, vorzugsweise mit strukturierten Antworten und einem separaten Verifikationsschritt vor Freigabe.

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.