Grok 4.5 занял первое место в июльском рейтинге Long-Horizon Terminal-Bench, сообщил Илон Маск. Это тест для ИИ-агентов, которые работают в командной строке и должны не просто отвечать на вопрос, а тянуть длинные многошаговые задачи: планировать, разбирать ошибки, делать несколько последовательных действий подряд.
В опубликованной таблице у Grok 4.5 средний балл 0,505 и 13 решённых заданий из 46. Для xAI это заметный рывок: предыдущий Grok 4.20 в этом же тесте не закрыл ни одной задачи. И вот тут разница особенно бросается в глаза — позади остались Claude Sonnet 5, Opus 4.8, Fable 5 и GPT-5.5.
Long-Horizon Terminal-Bench — один из новых тестов для агентных систем. Обычный бенчмарк проверяет, насколько модель попала в ответ за один ход. Здесь всё иначе: нужно держать контекст, строить план, ловить собственные ошибки и работать с инструментами в терминале. Именно такие сценарии сейчас нужны тем, кто делает помощников для программирования, исследовательских агентов и корпоративной автоматизации.
За последний год гонка в этой области ускорилась. Anthropic продвигает Claude как инструмент для долгих рабочих сессий, OpenAI делает ставку на агентные функции в продуктах для разработки, а xAI пытается показать, что её модели годятся не только для чатов и соцсети X. На этом фоне результат Grok 4.5 в LHTB выглядит как заявка на более дорогой сегмент ИИ-сервисов, где уже важнее не остроумный ответ, а способность довести работу до конца.
Дальше будет интересно наблюдать, удержится ли Grok 4.5 на вершине в следующих замерах и повторится ли этот результат в других тестах для агентного программирования — например, в SWE-bench и близких наборах задач. Рынок на такие вещи реагирует быстро: удачный результат в бенчмарке довольно скоро превращается в пункт в рекламе и повод поправить тарифы.