7月8日に出たGrok 4.5で、いちばん引っかかったのはベンチマークの数字ではなかった。訓練データの出どころだ。xAI（発表では SpaceXAI 名義）はこのモデルを Cursor と共同で訓練し、その材料に「数兆トークン規模の Cursor 上の操作データ」を使ったと明言している。GitHub に転がっている完成済みのコードではなく、開発者がエディタの中で実際にコードを書いていく過程そのものを学ばせた、というのが今回の芯だ。

新モデルのたびに「Opus 級」「GPT 級」と横並びのスコアが飛び交うが、Grok 4.5がおもしろいのは強さのピークではなく、同じ仕事を圧倒的に少ないトークンで終わらせる点にある。そこは訓練データの選び方と地続きになっている。

コードの完成形ではなく、コードを書く過程を学ばせた 🧩

普通、コーディングモデルの訓練データは公開リポジトリのソースコードだ。これは料理でいえば「完成した皿」の写真を大量に見せるようなもので、レシピの途中の手順、失敗して作り直した工程は写っていない。出来上がりからは、なぜその実装に至ったかが抜け落ちる。

Cursor のセッションデータが捉えるのは、まさにその抜け落ちた部分だ。Cursor の公式ブログはこう書いている。

Training included trillions of tokens of Cursor data which capture a wide-range of user interactions with codebases and software tools. This dataset lets the model learn both from existing software as well as developer-agent interactions, capturing how developers work and how agents interact with their environments.

途中まで書いて消した編集、エラーを踏んでからの復旧、どのファイルをどう行き来したか、いつツールを呼んだか。エージェントが環境とやりとりする「軌跡」が丸ごと入っている。静的なコードには存在しない情報だ。

その上で、xAI はデータ配合をあえて広く取ったと説明する。コードに寄せきらず、STEM 課題や研究論文、その他の知識労働タスクを混ぜたうえで、「問題を調査し、ツールを使い、失敗から立ち直り、結果を検証する」ことを教える現実的な環境で強化学習を回した、という組み立てだ。狙いはコード生成器ではなく、長く回る作業を最後までやり切るエージェントに置かれている。

出典:
https://cursor.com/blog/grok-4-5

ベンチのピークではなく、1タスクあたりのトークン数で効く

過程を学ばせたことの見返りは、ベンチマークの最高得点ではなくコスト効率に出た。xAI が公表した数字で目を引くのは、SWE Bench Pro を解くのに使った平均出力トークン数だ。Grok 4.5 が 1タスクあたり 15,954 トークンなのに対し、Claude Opus 4.8（max）は 67,020 トークン。約 4.2 倍の差がある。答えの正しさが近い水準でも、そこに至るまでの「喋る量」がまるで違う。

出力トークンはそのまま課金額と待ち時間に直結するので、この差は実務では効く。同じ SWE 系タスクを一日何千件も回すような使い方だと、精度が数ポイント上下する話より、1タスクの単価が 4 分の 1 になる話のほうが効いてくる場面は多い。Elon Musk が「Opus 級だが速く安い」と表現したのも、強さより効率を売りにした位置取りだと読める。

価格と効率をまとめるとこうなる。

項目	Grok 4.5	参考: Opus（Anthropic）
入力（100万トークン）	$2	$5
出力（100万トークン）	$6	$25
SWE Bench Pro の平均出力トークン	15,954	67,020

（Opus の価格は TechCrunch が挙げた Opus 4.7 の数値、出力トークンは xAI 公表の Opus 4.8 max の測定値。比較の出どころが揃っていない点は割り引いて読む必要がある。）高速版の Grok 4.5 fast は $4 / $18、提供速度はおよそ 80 トークン/秒とされる。

xAIの数字をどう読むか

ここは冷静に見ておきたい。xAI が出したのはコーディング寄りのベンチが中心で、一般推論や安全性のスコアはこの発表には含まれていない。競合の数値は各社が公表したシステムカードから引いており、第三者による独立検証は付いていない（一部は Datacurve のような外部評価を使ったとされる）。つまり「自社に有利な土俵で、自社が並べた比較」という前提で眺めるのが妥当だ。

数字の粒度もソースによって割れている。TechCrunch は Musk の発言として「Opus 4.7 とおおむね同等」と伝え、トークン効率も「2 倍」という控えめな言い方をしている。一方で SWE Bench Pro に絞れば 4.2 倍という数字になる。前者は全体的なざっくり比較、後者は特定タスクでの実測で、どちらも間違いではないが指している範囲が違う。効率の「◯倍」は必ず「何のタスクで」の但し書きとセットで読むべき、という良い例だ。

使い方と、訓練データの出どころという論点

触るのは難しくない。Cursor では全プランで desktop / web / iOS / CLI / SDK から利用でき、xAI API 経由なら次のモデル ID を指定する。

grok-4.5

このほか Grok Build、xAI コンソール、OpenRouter や各種クラウド基盤からも叩ける。ただし現時点で EU 圏には展開されていないと報じられており、リージョンによっては使えない。

最後に、エンジニアとして一つ引っかかりを残しておきたい。このモデルの新しさは「実際の開発セッションから学んだ」ことにあるが、それは裏を返せば、誰かが Cursor 上で書いたコードや操作が訓練の材料になったということでもある。今回の発表文はデータの範囲やオプトアウトの扱いまでは踏み込んでいない。日々の編集ログが次のモデルの燃料になる構図は、コーディング支援ツールを業務で使う側として、規約とデータ提供の同意範囲を一度確認しておく価値がある論点だと思う。過程を学ぶモデルは強力だが、その過程は誰かの実務そのものだ。

参考にした一次・主要ソース:

Cursor 公式ブログ: https://cursor.com/blog/grok-4-5
xAI 発表ページ: https://x.ai/news/grok-4-5
TechCrunch（価格・Musk 発言）: https://techcrunch.com/2026/07/08/spacexai-releases-grok-4-5-which-elon-describes-as-an-opus-class-model/
MarkTechPost（ベンチ・提供形態）: https://www.marktechpost.com/2026/07/08/spacexai-releases-grok-4-5/