「Opus級」というベンダーの一言を、筆者はベンチマークと料金表の両方で裏を取ってから受け取ることにしている。Grok 4.5について言えば、xAIの発表とArtificial Analysisの順位は同じ方向を指していない。この記事では、イーロン・マスクの「Opus級だがより速く安い」という主張を、公開ベンチの順位・API価格・エージェント作業という3つの軸に分けて検証し、どの用途なら実際に採用する価値があるのかを開発者目線で切り分ける。
目次
何が起きたのか
2026年7月8日、xAIがGrok 4.5を公開した。開発者向けに整理すると、発表のポイントは次のとおり。
- コーディングとエージェント作業に特化。xAIの発表によれば「Cursorの実開発セッションデータで訓練した」と説明されている。
- API価格は入力 $2 / 100万トークン、出力 $6 / 100万トークン。キャッシュ入力は $0.50 / 100万トークン。
- コンテキスト窓は約500Kという二次情報がある（一次資料での確認は取れていない。要検証）。
- Grokアプリ、API、Cursorの全プランで提供。ただしEUは未提供で、7月中旬の提供開始が予定されている。
公式発表は x.ai/news/grok-4-5 にあるが、筆者が確認した時点で本文ページは403を返し、直接の取得はできなかった。価格と順位はいずれも二次情報にもとづく。この記事では出所を明示し、断定は避ける。
「Opus級」はベンチのどこに位置するのか
マスクは公開時に「Opus級だがより速く安い」と主張した。ところがArtificial Analysisの総合指標であるIntelligence Indexでは、Grok 4.5はスコア54で4位。上位の顔ぶれを並べるとこうなる。
| 順位 | モデル | Intelligence Index |
|---|---|---|
| 1 | Claude Fable 5 | Grok 4.5より上位 |
| 2 | Claude Opus 4.8 | Grok 4.5より上位 |
| 3 | GPT-5.5 | Grok 4.5より上位 |
| 4 | Grok 4.5 | 54 |
確実な数字はGrok 4.5の54だけで、上位3モデルの具体値は「Grokより上」という関係しか手元にない。それでも並びは明快だ。Artificial Analysisによれば、総合ベンチでGrok 4.5はClaude Opus 4.8の下に位置する。GeminiやオープンウェイトのモデルよりはGrokが上、という位置取りになる。
「Opus級」という言葉を総合スコアの意味で受け取ると、ベンチの実態とはずれる。ここは押さえておきたい。
エージェント作業だと評価が変わる
総合ベンチで下位だからといって、実開発で使えないという話にはならない。Grok 4.5はツールを呼び出しながら多段の作業を進めるエージェント的な使い方で上位に来る、という報告がある。訓練データにCursorの実セッションを使ったという説明とも方向は合う。
総合知能を測るベンチと、ツール使用の巧みさを測るタスクは、別々の能力を見ている。前者で4位でも、後者で強いというのは矛盾しない。
食い違いが起きる理由は、測っている作業の形が違うからだ。総合ベンチの多くは、数学や科学の設問に一発で答えさせて正答率を見る。エージェント作業で問われるのは、ファイルを読む、テストを走らせる、返ってきたエラーを読んで直す、もう一度走らせる、この往復を何手で回せるかだ。一発回答が平凡でも、スタックトレースを読んで次の一手を正しく選べるモデルは往復で伸びる。Cursorのセッションはこの編集と実行の往復そのものだから、そこで訓練したという説明はエージェント評価の高さと筋が通る。
Xでは「Opus級」発言の是非をめぐる検証合戦が起きているらしい。ただ、他人のベンチ合戦の勝ち負けは、自分のコードベースでのトークン消費量とは別の話だ。筆者が最後に信じるのは、自分のリポジトリで一度動かしたときの実測値のほうになる。
価格で見ると立ち位置がはっきりする
ベンチ順位より、開発者の財布に効くのは単価だ。既知の値で並べると次のようになる。Sonnet 5とOpus 4.8の数字は、当サイトの料金比較記事で扱った値とそろえてある。
| モデル | 入力 / 100万トークン | 出力 / 100万トークン | 向いている場面 |
|---|---|---|---|
| Grok 4.5 おすすめ | $2 | $6 | コスト重視の実験・検証用途 |
| Claude Sonnet 5（プロモ） | $2 | $10 | 日常の実装・バランス重視 |
| Claude Opus 4.8 | $15 | $75 | 難所の設計・総合品質重視 |
出力単価で見ると、Grok 4.5の $6 はSonnet 5の $10 より安く、Opus 4.8の $75 とは一桁以上の差がつく。大量に出力を回す用途、たとえばログ整形やテストデータ生成をひたすら流すような場面では、この差がそのまま請求額に乗る。
おすすめ行にGrok 4.5を置いたのは総合品質で勝るからではない。あくまで「安く大量に試したい実験用途」という条件付きの一位だ。難所の設計判断まで任せたいなら、ベンチ上位のOpus 4.8を選ぶ理由は残る。
出力単価が効く用途を実額で出す
単価の差が請求額にどう乗るかは、出力が多い用途で一度計算しておくと判断が速い。テストデータ生成を例にとる。1件あたり平均800トークンのJSONを1万件作らせると、出力は合計800万トークン。入力側のプロンプトが1件200トークンなら入力は200万トークンになる。
出力 800万トークン + 入力 200万トークン のテストデータ生成
Grok 4.5 : 入力 200万×$2 + 出力 800万×$6 = $4 + $48 = $52
Sonnet 5 : 入力 200万×$2 + 出力 800万×$10 = $4 + $80 = $84
Opus 4.8 : 入力 200万×$15 + 出力 800万×$75 = $30 + $600 = $630
同じ生成をGrok 4.5で回すとSonnet 5より $32 安く、Opus 4.8とは $578 の開きが出る。毎日回す運用なら月で30倍して眺める。出力の桁が大きい用途ほど、出力単価の $6 と $75 の差がそのまま効いてくる。逆に入力ばかり大きくて出力が数十トークンで済む分類タスクなら、この差はほとんど請求に響かない。用途の入出力比を先に見てから単価表を読むと外さない。
自分のリポジトリで損益分岐を測る
単価表は入口で、採否を決めるのは自分のコードで一度動かした実測値になる。筆者がやるのは、同じ実装タスクを二つのモデルに投げて、消費トークンと所要時間と修正回数を並べる方法だ。手順はこう組む。
- 普段の粒度の実タスクを一つ選ぶ（例:「この関数にバリデーションとテストを追加」）。
- 同じプロンプト、同じコンテキストをGrok 4.5と比較対象モデルに投げる。
- APIレスポンスのusageから入力・出力トークンを記録する。
- 返ってきたコードが通るまでの修正往復の回数と、着手から緑になるまでの時間を測る。
- トークン単価を掛けて1タスクあたりの実コストを出し、修正往復ぶんの自分の時間も横に置く。
ここで見落としがちなのは、安いモデルが修正往復を増やすと、単価の安さを自分の時間で食いつぶす点だ。1タスクの実コストが安くても、緑にするまでに往復が2回増えて自分の30分が飛べば、$630と$52の差など一瞬で埋まる。損益分岐は単価だけでなく、往復回数まで入れて初めて出る。測る対象はトークンと時間の両方にする。
開発者としての実践ポイント
- ベンダーの「◯◯級」という比較表現は、まず公開ベンチの順位で裏を取る。Artificial AnalysisのIntelligence Indexのような第三者指標を一次の参照にする。
- 総合ベンチとエージェント作業の評価を分けて見る。Grok 4.5のように、総合で4位でもツール使用では上位という食い違いは普通に起きる。
- 採否は自分の実タスクでのトークン効率で決める。入力・出力の比率が用途で変わるので、単価表だけでなく実際の消費量を一度測る。
- 新モデルをいきなり全経路に入れない。単発の疎通確認を通し、フォールバック先を用意してから本番の一部に載せる。
- EU提供やコンテキスト窓のような未確定情報は、一次資料が出るまで設計の前提にしない。二次情報は「要検証」の札を付けて扱う。
よくある質問
Q. 日本から使えるか。 Grokアプリ、API、Cursorの全プランで提供と告知されている。日本のリージョン別可否は一次資料での確認が取れていないため要検証だが、API経由の利用を妨げる告知は今のところ見当たらない。
Q. EUではいつ使えるか。 発表時点でEUは未提供、7月中旬の提供開始が予定という二次情報がある。日付は前後しうるので、EU圏で本番投入するなら公式の提供開始告知を待ってから前提に組む。
Q. Cursorではどう使うか。 Cursorの全プランで選べると告知されている。モデル選択でGrok 4.5を指定すれば、普段のエージェント編集の流れでそのまま試せる。訓練元がCursorセッションという説明どおりの挙動になるかは、自分の言語とリポジトリで一度回して確かめるのが早い。
Q. Opusと何が違うか。 総合ベンチのIntelligence IndexではOpus 4.8が上位、Grok 4.5は4位。単価は出力で $75 対 $6 と一桁以上Grokが安い。難所の設計判断はOpus、安く大量に回す実験はGrok、という住み分けが今の順位と単価から読める切り分けになる。
料金の比較軸をもっと具体的に詰めたい場合は、Claude Sonnet 5がClaude Code既定モデルに（料金比較）で入出力単価の考え方を整理している。xAIの他モデルに関心があればGrokの画像モデルAuroraもあわせてどうぞ。
まとめ
ベンダーの性能主張は、公開ベンチの順位と自分の実タスクでのトークン効率の両方を見てから採否を決める。これが筆者の結論だ。
この慎重さには理由がある。以前、廃止予定のAPIを検証もせず全経路に組み込み、切り替え当日に全滅させたことがあった。それ以来、新しいものを入れるときは単発の疎通確認とフォールバックを必ず先に置くようにしている。
Grok 4.5は「Opus級」という総合品質の看板で受け取るとベンチの実態とずれるが、$2/$6という単価とエージェント作業での評価を見れば、コスト重視の実験用途で試す価値は十分にある。判断の軸は看板の言葉より単価とタスク適合に置く。今回もその一件だった。
