O lançamento em uma frase
Em 8 de julho de 2026, um dia antes de a Meta apresentar o Muse Spark 1.1, a xAI lançou o Grok 4.5: modelo focado em programação, tarefas agentivas e trabalho de conhecimento, treinado junto com a Cursor, servido a 80 tokens por segundo, a US$ 2 por milhão de tokens de entrada e US$ 6 na saída.
A ficha técnica é competitiva de verdade, e é justamente por isso que o anúncio merece uma revisão adversarial. Quando o produto é bom, o marketing não precisa inflar. A xAI inflou mesmo assim, e os pontos onde inflou dizem mais sobre a empresa do que os benchmarks.
O anúncio publica os números que o desmentem
Vamos dar o crédito primeiro: a xAI publicou gráficos em que perde. Isso é raro e é mais do que a Meta fez ontem com seu benchmark interno e rivais anônimos.
Agora o problema: a prosa diz que o modelo "supera modelos líderes comparáveis" em tarefas de engenharia. Os próprios gráficos dizem outra coisa. Dos cinco benchmarks publicados, o Grok 4.5 lidera exatamente um, o SWE Marathon, com 29% pass@1. No DeepSWE 1.1 e no SWE Bench Pro, ele perde para o Opus 4.8. E o Fable max lidera quatro dos cinco.
"Opus-class", como Musk descreveu, é preciso como faixa de capacidade. "Supera os líderes" não é sustentado pelo gráfico que a própria xAI subiu no ar.
Pass@1, em português claro
É a taxa de problemas resolvidos na primeira tentativa. Em benchmarks de programação, pass@1 costuma perguntar: se o modelo tenta uma vez, quantas tarefas ele acerta sem precisar de múltiplas amostras, novas tentativas ou seleção posterior?
O efeito harness: o furo metodológico
O detalhe mais revelador do lançamento está na comparação entre dois benchmarks quase homônimos. No DeepSWE 1.0, onde cada fornecedor roda com o próprio harness, o Grok faz 62% e fica em terceiro. No DeepSWE 1.1, com harness padronizado para todos os modelos, cai para 53% e para quarto.
Nove pontos de queda quando o ambiente é neutralizado sugerem que parte da performance mora no harness tunado, não no modelo. E o rodapé do anúncio agrava: os números dos concorrentes foram copiados de system cards e leaderboards publicados por terceiros. O gráfico mistura resultados que a xAI rodou com resultados que outras empresas reportaram em condições diferentes. Isso não é comparação controlada. É colagem.
Com harness de cada fornecedor, o Grok 4.5 aparece em terceiro.
Com harness padronizado, o modelo cai para quarto.
A troca de ambiente muda a leitura da performance.
Harness não é detalhe
Harness é o ambiente que envolve o modelo durante a avaliação: prompts, ferramentas, novas tentativas, execução, testes, parsing e critérios de sucesso. Em tarefas agentivas, o harness pode ser a diferença entre medir capacidade do modelo e medir qualidade do andaime.
Eficiência de tokens: a métrica vendável e escorregadia
A alegação de 4,2 vezes menos tokens que o Opus 4.8 no SWE Bench Pro é o número que vai circular: 15.954 contra 67.020 tokens médios por tarefa. Três asteriscos ficam fora da manchete.
Primeiro, a comparação é contra o Opus em modo max, a configuração mais verbosa. Segundo, menos tokens com taxa de resolução menor, 64,7% contra 69,2% no mesmo benchmark, pode significar simplesmente fazer menos. Terceiro, o próprio texto oscila entre "2x a eficiência" num parágrafo e 4,2x no outro, dependendo do recorte.
A métrica que encerraria a discussão, custo por tarefa resolvida, não aparece uma única vez. Quando um número favorável não é publicado, a hipótese de trabalho é que ele não é tão favorável assim.
Custo por tarefa resolvida
É o custo real de chegar a uma resposta correta, não apenas o preço por token. Um modelo barato que erra mais, chama mais ferramentas ou exige mais novas tentativas pode custar mais por resultado útil do que a tabela sugere.
O preço tem letra miúda de agente
US$ 2 por milhão de tokens de entrada e US$ 6 por milhão de saída é agressivo: mais barato que a faixa Opus, na mesma vizinhança do Muse Spark 1.1 anunciado ontem. Mas o modelo é vendido como agentivo, e as ferramentas que definem esse caso de uso são cobradas fora do preço-manchete: web search, X search e execução de código saem a US$ 5 por mil chamadas, e requests acima de 200K tokens pagam tarifa maior.
Um agente vive de chamar ferramentas. Cobrar as ferramentas fora da manchete é esconder o custo real exatamente do tipo de uso anunciado.
Uso de ferramentas por agentes
É quando o modelo não só responde, mas escolhe e usa ferramentas: busca, terminal, editor de código, navegador, planilhas, documentos ou APIs. O custo não é só token. É também chamada de ferramenta, latência, autorização e falha operacional.
Cursor não é parceiro. É comprado.
O anúncio trata o "treinado junto com a Cursor" como validação externa. Não é: a SpaceX fechou a aquisição da Cursor por US$ 60 bilhões em junho. O endosso é a empresa elogiando a si mesma, pior que os launch partners da Meta, que ao menos são terceiros com incentivos próprios.
E há uma pergunta mais espinhosa que o anúncio não tangencia: o treino incorporou sessões reais de desenvolvedores da Cursor, traces de debugging, diffs, correções humanas? De quem são essas sessões, com que consentimento, e qual a garantia de que trabalho sobre repositórios reais do GitHub não contaminou exatamente os benchmarks SWE-* que o lançamento celebra? Silêncio.
Safety: zero menções, literalmente
Aqui a comparação com a Meta vira contraste absoluto. O anúncio do Muse Spark 1.1 dedica seção a framework de scaling e avaliações de risco, relatório completo pendente, como apontei ontem, mas a dimensão existe. O anúncio do Grok 4.5 não contém uma única menção a avaliação de segurança, testes adversariais ou cartão de modelo para um modelo desenhado para executar código, operar ferramentas e editar documentos de Office.
E o contexto torna a omissão mais grave: a discussão mais barulhenta do lançamento no Hacker News não foi sobre capacidade, foi sobre confiança, em torno de relatos de ajustes nos outputs do modelo em questões políticas. O maior passivo da xAI não é técnico. É exatamente a dimensão que o anúncio decidiu não endereçar.
O que sobrevive à revisão adversarial
Justiça: a validação independente pós-lançamento foi boa. A Artificial Analysis colocou o Grok 4.5 no pelotão de frente do Intelligence Index e registrou desempenho forte em tarefas agentivas, incluindo AutomationBench e índices de programação. Na tríade custo, velocidade e uso de ferramentas, o modelo é real. Estou testando há alguns dias e a experiência bate com a medição.
O problema nunca foi o produto. É que o anúncio infla onde não precisava e silencia onde devia falar.
Dois anúncios, duas formas de esconder
Coloque os dois lançamentos lado a lado e o padrão da semana aparece. A Meta esconde a fila: chama de "preview público" uma API com waitlist, restrita aos EUA e fora dos marketplaces. A xAI esconde as derrotas: publica os gráficos onde perde e escreve prosa como se tivesse vencido.
A Meta compensa atraso com preço e infraestrutura própria; a xAI compensa benchmarks mistos com velocidade e eficiência. Ambas escolheram programação como campo de prova, porque é onde dá para medir, e ambas embrulharam o mesmo pacote: LLM autoregressivo, RL em escala, contexto longo, uso de ferramentas.
Nenhum dos lançamentos toca no problema que LeCun aponta há anos: agente confiável precisa de modelo de mundo e estado persistente, não de buffer maior e harness melhor. A xAI escala RL em centenas de milhares de tarefas; a Meta treina compaction para o modelo não esquecer o que está fazendo. São engenharias impressionantes de compensação, e a corrida inteira apostando que compensação suficiente vira compreensão.
O Grok 4.5 é o lançamento mais honesto da semana nos dados e o menos honesto na moldura.
A leitura que fica
A xAI publicou números que a desmentem, e escreveu por cima deles. Sobrou um modelo legitimamente forte em custo e uso de ferramentas, vendido com um endosso de US$ 60 bilhões comprados, custo agentivo na letra miúda e silêncio total sobre a única coisa que a empresa mais precisa reconstruir: confiança.
O teste dos dois lançamentos é o mesmo, e não está em nenhum gráfico. Está em quem vai colocar esses modelos no caminho crítico de trabalho real daqui a sessenta dias, quando as avaliações independentes completos saírem, a letra miúda chegar na fatura e o harness de marketing der lugar ao harness de produção.