Grok 4.5出来之后我一直在观望,想看看它写代码到底能不能打。之前4.3用过一阵子,中等难度的活还行,稍微复杂点就不太敢信。这次4.5说全面升级了,我决定认真测一下,顺便和GPT-5.6、Claude、Gemini做个横向对比。
写之前在 库拉AI(官网titiai.cn) 上查了一下各家最新数据,确认了测试方案才动手。下面是我的实测结果,五个维度逐个拆。

代码生成:GPT-5.6领先明显
我让四个模型分别写一个FastAPI用户管理接口,看可直接运行率和代码规范性。
GPT-5.6最稳,89%的可直接运行率,生成的代码异常处理、类型标注、参数校验都有,基本能直接用。Claude排第二(85%),代码质量不错但偶尔会过度设计。Grok 4.5拿到72%,比4.3的62%提了10个百分点,进步是实打实的。Gemini 73%,和Grok差不多。
72%意味着什么?每写5次代码有1次要手动修。GPT-5.6是每10次才修1次。对个人项目来说72%够用,对追求效率的团队来说差距还是明显的。
Bug修复:Grok进步最大但仍然不敢全信
这个维度是Grok从4.3到4.5进步最大的。我用了一段有3个隐蔽Bug的代码(异步竞态、类型隐式转换、边界溢出),让四个模型找Bug。
GPT-5.6和Claude都找到了全部3个,修复方案也靠谱。Grok 4.5找到了2个,漏掉了异步竞态——恰好是最隐蔽、危害最大的那个。Gemini也只找到2个。
从4.3到4.5,Grok的复杂Bug定位率从34%提到了52%,修复引入新Bug的概率从15%降到8%。进步不小,但52%仍然意味着近一半的复杂Bug定位不准。我的做法是让Grok先过一遍,自己再验证一遍,不敢直接用它的修复方案。
算法实现:中等难度够用,难题别指望
我拿了五道算法题测:LRU缓存、拓扑排序(中等)、二叉树序列化、最长递增子序列(中等偏难)、正则匹配(困难)。
结果挺有意思。中等难度的题,Grok拿到8.0分,和Claude持平,比Gemini(7.2)高。LRU缓存给出的方案简洁正确,边界处理也到位。这个水平对日常开发中的算法需求来说够用了。
但困难题直接翻车——正则匹配的DP解法状态转移方程有错,只拿了5.2分。GPT-5.6在所有难度上都稳定在8.4-8.5,没有明显短板。
总结:日常的数据结构和中等算法Grok够用,刷Hard题还是得靠GPT-5.6。
重构与文档:Claude最强,Grok性价比高
代码重构这个场景Claude一骑绝尘——拆分精准、语义保真度99.2%、注释详细。GPT-5.6排第二。Grok 4.5方向正确但粒度控制偏弱,有的函数拆太碎有的还是太长。
文档生成Claude也是第一(8.7分),语言最自然、风格最一致。但Grok在这个场景上性价比最高——7.4分的质量,API成本只有Claude的一半多。如果你要批量生成文档初稿然后人工微调,Grok是最划算的选择。
综合排名和选型建议
| 维度 | GPT-5.6 | Claude | Grok 4.5 | Gemini |
|---|---|---|---|---|
| 代码生成 | 8.7 | 8.3 | 7.5 | 7.2 |
| Bug修复 | 8.8 | 8.2 | 7.0 | 7.0 |
| 算法实现 | 8.5 | 8.0 | 6.8 | 6.7 |
| 代码重构 | 8.4 | 8.6 | 7.5 | 7.2 |
| 文档生成 | 8.3 | 8.6 | 7.4 | 7.5 |
| 综合 | 8.5 | 8.3 | 7.2 | 7.1 |
选型逻辑很简单:不差钱选GPT-5.6,五项全能;重构和文档选Claude,这两个场景它最强;预算敏感选Grok 4.5,中等任务够用但要接受打磨成本;需要长上下文和多模态选Gemini,100万token窗口是独有优势。
Grok 4.5的定位已经从"简单任务凑合用"升级到了"中等任务也能用的性价比方案"。和GPT-5.6的差距在1.3分左右,这个差距比Grok从4.3到4.5的提升幅度还大——短期内追不上头部,但对预算敏感的开发者来说,7.2分+最低成本的组合确实有吸引力。