3行まとめ

Grok 4.5 は Grok 4 の改良版ではなく、SpaceX の計算資源と Cursor の訓練基盤・データ資産が合流した初のモデル
CursorBench は、Cursor コードベースの過去スナップショットが訓練データに混入して有利になっていたことを Cursor 自身が開示・比較から除外済み
CursorBench 以外の公表ベンチは「勝つところは勝ち、負けるところは負ける」分布で、強みは速度・トークン効率・価格

はじめに

Grok 4.5 のリリース直後、筆者は CursorBench のスコアを引用したポストをしました。反応は賛否が分かれ、とくに目立ったのが懐疑的な声です。既存の Grok 系からの飛躍が大きすぎる。開発元が関わるベンチマークは信用できない。いきなりフロンティア級というのは信じがたい。こうした趣旨の指摘が、日本語圏に限らず複数の言語圏から届きました。

もっともな疑問です。ベンチマークを鵜呑みにしない態度は健全そのもの。ただ、「ありえない」と結論づける前に確認しておきたい公開情報がいくつかあります。この躍進を支える構造的な要因と、Cursor 自身が開示したベンチマークの注意点です。

本記事は個人の見解で、記載内容はすべて公開情報に基づきます。

1. 前提：Grok 4.5 は「Grok 4 の改良版」ではない

まず時系列を押さえておきます。開発体制そのものが、この数か月で大きく変わりました。

時期（2026年）	出来事
2月	マスク氏がxAIのSpaceXへの統合を発表
4月21日	CursorがSpaceX（xAI）との提携を発表。Colossusインフラをモデル訓練に活用
5月	xAIが独立企業を解散し、SpaceXのAI部門として統合完了
6月12日	SpaceXがNASDAQに上場（史上最大規模のIPO）
6月16日	SpaceXがCursorを600億ドルで買収する契約を発表（全株式交換・2026年Q3完了見込み）
7月6日	AI部門の正式名称を「SpaceXAI」に変更
7月8日	Grok 4.5をSpaceXAIとCursorが共同リリース

Grok 4.5 は、xAI が単独で作った Grok 4 の改良版ではありません。SpaceX の資本力・計算資源と、Cursor のモデル訓練チーム・データ資産が合流して初めて生まれたモデルです。既存の Grok 系からの連続性で性能を予測すれば、外れて当然です。

参考:

2. 計算資源：Colossus という物量

AI モデルの性能を左右する最大の変数は、今も計算資源です。

SpaceXAI が運用する Colossus は、公式サイトによれば122日で初期構築、その後92日で倍増して20万GPU規模。100万GPUへのロードマップも公表されています。Grok 4.5 の訓練には、このうち数万基の NVIDIA GB300 GPU（Grace Blackwell Ultra 世代）が投入されました。GPU の数だけでなく、大規模実行向けの訓練安定化技術や、重複排除・品質スコアリング・分野別キュレーションといったデータ処理にも投資したと説明されています。

ここで思い出したいのが、Cursor が4月の提携発表時に書いていた一文です。

私たちは訓練をもっとスケールさせたかったが、計算資源がボトルネックだった（要旨）

Cursor は Composer シリーズで「計算資源を一段増やすたびにモデルが賢くなる」ことを確かめてきたチームです（後述）。そのボトルネックが Colossus で外れた。計算資源が制約だったチームに、世界最大級の計算資源がつながった。これが今回の構図で、性能の非連続な伸びを説明する最大の要因です。

参考:

Colossus（SpaceXAI公式）
Introducing Grok 4.5（SpaceXAI公式）

3. 訓練パイプライン：Cursor チームは「新参」ではない

「Cursor はエディタの会社で、モデル開発は素人では？」という見方も見かけますが、事実に反します。Composer シリーズの系譜を表にまとめます。

モデル	進化のポイント
Composer（初代）	同社初のエージェント型コーディングモデル
Composer 1.5	強化学習（RL）を20倍以上にスケール
Composer 2	継続事前学習を追加。数分の一のコストでフロンティア級に到達
Composer 2.5	コーディング特化モデルとしてさらに改良
Grok 4.5	Colossusで訓練を桁違いにスケール。汎用ナレッジワークへ拡大

各世代で「計算資源の増加が性能向上に直結する」ことを確認しながらスケールしてきた、というのが同社の説明です。Grok 4.5 は、実証済みの訓練レシピに桁違いの計算資源を注いだ結果です。モデル本体は SpaceXAI と共同で訓練した Mixture-of-Experts（MoE）構成です。

3-1. 実開発データという独自資産

Grok 4.5 の訓練には数兆トークン規模の Cursor データが使われました。コードベースやソフトウェアツールに対するユーザの操作を捉えたデータで、既存のソフトウェアに加えて「開発者とエージェントのインタラクション」を学習できます。開発者が実際にどう働き、エージェントが環境とどうやり取りするか。

GitHub の公開コードは誰でも学習に使えます。一方、「AI エディタ上で開発者がエージェントとどう協働しているか」の大規模データを持つ企業は数えるほどしかありません。報道によれば、Cursor は有料ユーザ100万人超、Fortune 500 企業の6割が利用するプラットフォームです。このデータ資産は他社が容易に再現できません。

3-2. エージェントによる RL 環境の大量構築

強化学習の「問題」の作り方も特徴的です。

モデルが賢くなるほど、既存のタスクでは学習が進まなくなります。フロンティアモデルでも失敗するほど難しい問題が要る。Cursor はこれに対し、分散エージェントシステムで訓練環境を大量生産するアプローチを取りました。エンジニアが問題と検証方法を定義すると、大量のエージェントが環境の構築・テスト・改良を行う仕組みです。中には「数百人のエンジニアチームが数か月かける規模」の環境も含まれるとしています。

前世代のモデルで次世代モデルの訓練を加速する、セルフブートストラップの実例です。RL は数十万タスク規模で、非同期訓練基盤の上で数時間に及ぶエージェントのロールアウトを回しながら学習を続けられます。

参考:

Introducing Grok 4.5（Cursor公式ブログ）
なぜSpaceXが9.6兆円でCursorを買うのか？（ビジネスジャーナル） ※ユーザ数・Fortune 500利用率の出典

4. CursorBench の「訓練データ混入」を Cursor 自身が開示している

冒頭の懐疑論に「自社ベンチだから有利なのでは」という指摘がありました。この点、Cursor が公式ブログの脚注で問題を開示しています。要約すると次のとおりです。

Grok 4.5 は CursorBench で有利になっている。Cursor コードベースの過去のスナップショットが、誤って訓練データに含まれていたためだ。正確な影響度は不明。当該データは今後のモデルから除去済みで、並行して CursorBench 自体の大規模なアップデートに取り組んでいる。このため本記事のベンチマーク比較から CursorBench は除外した。

（出典: Cursor公式ブログ「Introducing Grok 4.5」脚注2）

4-1. CursorBench 上の Grok 4.5 のスコアは割り引いて見る

懐疑派の指摘は、CursorBench に限れば部分的に正しかったわけです。Cursor のコードベースを題材に含むベンチマークで、その過去スナップショットを学習したモデルが有利になるのは当然です。SNS で出回っている CursorBench のリーダーボードを根拠に Grok 4.5 の実力を論じるのは、現時点では適切ではありません。

冒頭に書いたとおり、筆者自身がリリース直後に CursorBench のスコアを引用してポストしています。この脚注を踏まえると、Grok 4.5 に関しては留保付きで読むべき数字でした。反省を込めて記録しておきます。

4-2. ただし「意図的なドーピング」とは別物

この事実をもって「やはり全部インチキだ」と結論づけるのも飛躍です。不正をしたい企業は、自分に不利な事実をリリース当日の公式ブログに書きません。

混入は「accidentally（偶発的に）」と説明されている
当該スコアを宣伝に使うどころか、公式比較から CursorBench を除外した
該当データは今後のモデルから除去済みで、ベンチマーク自体の刷新も進行中

事前学習コーパスへの意図しないデータ混入（コンタミネーション）は、業界全体で繰り返し起きてきた課題です。問題は「起きたかどうか」より「発覚後にどう扱うか」。今回の Cursor の対応は、開示・除外・修正という点で誠実な部類です。

4-3. 評価は「CursorBench 以外」で行えばよい

CursorBench を除いても評価材料はあります。SpaceXAI が公表した第三者ベンチマーク横断比較（競合スコアは各社の公表値ベース）を表にまとめます。

項目	Grok 4.5	比較
SWE Marathon（長時間の実開発タスク）	29.0%	Opus 4.8（26.0%）、Fable（24.0%）を上回りトップ
DeepSWE 1.0 / 1.1	62.0% / 53.0%	Fable 5、GPT-5.5 に届かず
生成速度	80tok/s	高速系モデル並みの速度
SWE Bench Pro 平均出力トークン	15,954	Opus 4.8（67,020）の約4.2分の1
API 価格（100万トークン）	入力 $2 / 出力 $6	Opus 4.7: $5/$25、GPT-5.6 Sol: $5/$30（報道値）

公式発表ベースでも、Grok 4.5 は「全ベンチで最強」を主張していません。単発の最高性能では Fable 5 や GPT-5.5 に譲る場面がある。強みは長時間タスクへの耐性と、速度・トークン効率・価格を含めたコストパフォーマンスです。マスク氏の「Opus クラス」という表現には誇張が混じるとしても、ベンチマーク数値自体は「いきなり全部で首位」という不自然な形にはなっていません。

参考:

5. 急な躍進に見える理由

Q. 既存の Grok 系より急に高性能になるのはおかしくないか？

A. Grok 4.5 は既存 Grok の連続的な改良版ではなく、次の3つが今年になって初めて合流したモデルです。開発体制の非連続な変化が、性能の非連続な変化として現れた。計算資源、良質なデータ、実証済みレシピ。この3つが揃った組織の急速な追い上げは、中国発のオープンウェイトモデルをはじめ、ここ数年で何度も観測されてきました。

要素	内容
計算資源	Colossus 20万GPU級。訓練には数万基のGB300を投入
実証済みレシピ	Composerシリーズで培った訓練と強化学習の基盤
独自データ	数兆トークンの実開発インタラクション

Q. 自社ベンチ（CursorBench）だから有利なのでは？

A. CursorBench に限っては、その指摘は正しい可能性が高いです。ただし Cursor 自身が「コードベースのスナップショットが偶発的に訓練データへ混入し、有利になっている」と開示し、公式比較から除外済みです。逆に言えば、CursorBench 以外の第三者ベンチマークでは「勝つところは勝ち、負けるところは負ける」現実的なスコア分布で、自社に都合の良い数字だけを並べた発表にはなっていません。

Q. 結局、信じていいのか？

A. どのベンダーの発表でも、ベンチマークは参考値です。Grok 4.5 は Cursor 全プランと SpaceXAI API で使えます。手元の実タスク・実コードベースで検証して結論を出す。それに勝る方法はありません。

おわりに

「信じられないほどの進歩」の裏には、たいてい「信じられないほどの投資と蓄積」があります。20万GPU級のインフラ、20倍スケールの強化学習、数兆トークンの実開発データ、エージェントが構築する訓練環境。この構造を知ってベンチマークを読むのと、知らずに読むのとでは、同じ数字から得られる情報量が違います。

一方で、CursorBench の一件が示すとおり、コンタミネーションのリスクはどのベンダーにもつきまといます。今回は Cursor が自ら開示しましたが、開示されないケースを外部から見抜く手段は、今のところ限られています。ベンダー発表のベンチマークで語れるのはここまで。あとは自分のタスクで確かめるしかありません。

参考リンク（一次情報）

Introducing Grok 4.5 – Cursor Blog（CursorBench 混入の開示は脚注2）
Introducing Grok 4.5 – SpaceXAI
Cursor partners with SpaceX on model training – Cursor Blog
Colossus – SpaceXAI
SpaceX、AIコーディングの「Cursor」を600億ドルで買収 – ITmedia
SpaceX、xAIの正式名称を「SpaceXAI」に – ITmedia