На индексе фактологичности AA-Omniscience Grok 4.5 набрал 26 баллов против 18 у Grok 4.3 — формально прогресс. Он обеспечен резким ростом точности: с 35% до 52% правильных ответов. Но у прогресса обнаружилась обратная сторона: в вопросах, где модель не знает ответа, она перестала отказываться и начала уверенно фантазировать. Доля галлюцинаций — уверенных ответов там, где их не должно быть — выросла более чем вдвое, с 25% до 54%.
Аналитики Artificial Analysis описывают это как типичный паттерн масштабирования: «модель знает больше — но и увереннее, когда ошибается». Крупные модели становятся эрудированнее непропорционально быстрее, чем осторожнее.
Grok 4.5 вышел 9 июля и сразу занял 4-е место в Intelligence Index Artificial Analysis (54 балла), уступив только флагманам Anthropic и OpenAI. Модель лидирует в агентном использовании инструментов, заявляет первое место на длинном инженерном бенчмарке SWE Marathon и стоит $2 за млн входных токенов — примерно в 5 раз дешевле Claude Fable 5. Ставка xAI очевидна: почти фронтирное качество за долю цены.
Именно на фоне агрессивного ценового позиционирования данные о галлюцинациях и стали главной технической контроверзой недели: цена ошибки в агентных сценариях, где модель действует автономно, многократно выше, чем в чате.
Методика Artificial Analysis отличается от привычных бенчмарков «доля правильных ответов». AA-Omniscience оценивает калибровку уверенности: модель получает штраф не за незнание, а за уверенный ответ там, где честным было бы воздержаться. Частота галлюцинаций считается как доля неверных ответов среди всех случаев, когда модель не отказалась отвечать. Именно поэтому возможна парадоксальная картина Grok 4.5: итоговый балл вырос (26 против 18), точность выросла — и одновременно выросла доля уверенных ошибок.
Для сравнения: у лидеров индекса рост знаний сопровождается ростом осторожности — модели чаще явно помечают неуверенные ответы. У Grok 4.5 баланс сместился в противоположную сторону, что аналитики связывают с оптимизацией под «решительность» в агентных задачах, где отказы ломают автономные цепочки действий.
Российские разработчики получают доступ к зарубежным моделям в основном через API-агрегаторы — например, caila.io от Just AI с сотней моделей в едином API. Для них дешёвый Grok 4.5 выглядит очевидным выбором для сокращения расходов. Исследование Artificial Analysis вносит поправку: экономия на токенах может обернуться расходами на проверку фактов. В юридических, финансовых и медицинских сценариях модель, которая ошибается уверенно, опаснее модели, которая ошибается заметно.
Практические выводы стандартны, но теперь подкреплены цифрами: обязательный RAG с проверкой по корпоративной базе, факт-чекинг критичных ответов второй моделью и явные метрики отказов («не знаю» — это хороший ответ) при выборе LLM для продакшена. Дешёвые токены — не единственная статья стоимости владения моделью.
История с Grok 4.5 — ещё и аргумент в пользу независимого тестирования на собственных задачах. Российский открытый бенчмарк «Полярный тест PT-1» показал похожий эффект на русскоязычных данных: позиции моделей в маркетинговых материалах и в независимых замерах могут расходиться радикально. Единственная надёжная стратегия закупки LLM в 2026 году — собственный тестовый контур с реальными кейсами компании.
xAI результаты не оспорила. Индустрия тем временем получает новый критерий сравнения: вслед за ценой и качеством кода в тендерные таблицы возвращается надёжность фактов. Для российского рынка, где ИИ активно внедряется в госуслуги и банки, этот критерий может оказаться решающим — и его стоит проверять на собственных данных, а не по маркетинговым слайдам вендоров.
Ближайший тест покажет и динамику: Artificial Analysis обещает регулярные замеры фактологичности всех фронтирных моделей, а значит, у рынка впервые появляется публичная история изменений надёжности от версии к версии. Если xAI исправит калибровку в Grok 4.6, не потеряв в точности, история станет учебным кейсом; если нет — предупреждением о цене гонки за агентными бенчмарками.