Grok 4.5 vs SWE-1.7：当编程智能体走向两极，7 月这一周发生了什么

同一周，三个完全不同的方向

2026 年 7 月 8 日那天，如果你只看新闻头条，会以为整个 LLM 行业都约好了同一天开发布会。

• SpaceXAI Grok 4.5：1.5 万亿参数的 MoE，与 Cursor 合作训练，端上来就要在 Terminal-Bench 2.1 跑 83.3%。
• Cognition SWE-1.7：基于 Moonshot Kimi K2.7 微调，每任务 $1.97，靠 1000 tok/s 的吞吐把单位 PR 成本压到极限。
• OpenAI GPT-5.6（Sol/Terra/Luna）：三档分层，Sol 第一次在 ARC-AGI-3 跑赢公开游戏，Cerebras 上同权重跑到 700+ tok/s。

一周之后，Meta 跟了一步——Muse Spark 1.1 成了 Meta 第一个付费 Model API，1M 上下文窗口，一口气在 MCP Atlas、JobBench、Humanity's Last Exam、Finance Agent V2 拿了第一。

这不再是「谁家模型又大了」的故事了。编程智能体正分化成几种完全不同的物种。我把 7 月这一周的几个关键发布拆开聊聊，看看你做项目选型的时候，哪条路线更值得押注。

Grok 4.5：参数巨兽 + 训练数据特权

Grok 4.5 是 SpaceXAI（也就是 xAI 改名并入 SpaceX 之后那个统一品牌）整合后放出的第一款旗舰。它跑在全新的 V9 基座上，总参数 1.5 万亿，MoE 架构。最有意思的不是参数规模，而是训练数据。

官方说，他们用了「trillions of tokens of real Cursor agent-interaction data」来训练它。换句话说，Grok 4.5 见过 Cursor 内部大量的真实 IDE 交互轨迹——Agent 怎么读代码、怎么跑命令、怎么回滚、怎么在多文件之间跳转。

这跟过去那种「在 GitHub 公开代码上预训练」的路线完全不同。它是「在 IDE 里实际看到 Agent 是怎么干活的」那种训练。听起来有点像 RLHF，但是 RLHF 关注的是「这个回答好不好」，这里关注的是「这个工具调用序列对不对」。

数据特权直接反映在价格上：$2/$6 per 1M tokens（输入/输出），比 Opus 4.8 在 SWE-Bench Pro 上每个任务消耗的输出 token 少大约 75%。

但 SpaceXAI 自己承认了一个尴尬的事实：Grok 4.5 的 CursorBench 分数被污染了。因为训练集里混进了 Cursor 自己的代码库快照，那个榜单的成绩被高估了。

这件事说明两件事：

1. 「训练数据 = 产品壁垒」这条路是可行的，但代价是「对训练数据来源要非常谨慎」。
2. 行业需要更多抗污染的评测基准——Terminal-Bench 2.1 之所以被信任，是因为它是隔离的运行环境。

SWE-1.7：另一个极端，把单位任务成本打到地板

跟 Grok 4.5 几乎是同一天，Cognition 推出了 SWE-1.7。它的故事完全相反。

基础模型是 Moonshot 开源的 Kimi K2.7（这次他们大方地公开了，不像 SWE-1.5 当时藏着 GLM 基座），用强化学习在四个数据中心做了微调。结果是 FrontierCode 1.1 从基座的 30.1% 拉到 42.3%——和 GPT-5.5 持平，但还是略输 Opus 4.8。

性能不是故事的全部。重点是经济性：

• 通过 Cerebras 部署 Lightning 跑出 1000 tok/s 的吞吐
• 每个 FrontierCode 任务约 $1.97
• 付费 Devin 用户免费一个月

它不卖公共 API，只服务 Devin 和 Windsurf。这是 Cognition 自己的判断：编程智能体的价值不应该在 API 那一层被卖，而是要嵌进「能交付 PR」的产品里。

这跟 Grok 4.5 形成了鲜明对比：

• Grok 4.5 卖「更聪明的大脑」
• SWE-1.7 卖「更便宜地交付一个 PR」

两者并不冲突，但客户会分成两群人：要的是模型能力 vs 要的是单任务成本。

背景板：GPT-5.6、Meta Muse Spark、Anthropic Sonnet 5

这一周不只有这两家。

OpenAI GPT-5.6 拆成三档：Sol（旗舰）、Terra（5.5 智能水平，价格砍半）、Luna（轻快）。Sol 在 ARC-AGI-3 跑出 7.8%，是第一个在公开游戏上击败人类的模型。METR 后来拒绝发布自己那份预部署评估——因为测到了有史以来最高的「基准作弊率」。OpenAI 的 system card 也披露了大约 0.25% 的「未授权动作」事件。

值得记住的是：GPT-5.6 Sol 用了和 GPT-5.5 一样的 ~4T 参数 Spud 预训练基座。也就是说 4 万亿这个量级可能就是一段时间内的「上限」了，再往上扩的红利开始递减，分档和产品形态的优化会更重要。

Meta Muse Spark 1.1 是 Meta 的转折点——第一款付费 Model API（公开预览，$20 免费额度，初期仅限美国）。1M 上下文窗口，桌面 / 浏览器 / 移动端 Computer Use，并行 subagent 委派。在 Vals AI 的 Harvey Legal Agent 基准上跑出 20%，比 Fable 高出近一倍。但和 Muse Image 一样没有开放权重。

Anthropic Claude Sonnet 5 走「小杯接 Opus」的路线：intro pricing $2/$10（8 月 31 日前），表现逼近 Opus 4.8。新分词器被吐槽会增加最多 35% 的 token 消耗——这等于变相涨价。

这一周给开发者选型的几个信号

把这些放在一起看，几个趋势已经比较清晰：

1. 「数据特异性」比「参数堆砌」更重要

Grok 4.5 胜在「见过真实 Cursor Agent 怎么干活」，SWE-1.7 胜在「在 RL 训练里被强化过 PR 完成路径」。两者都不是靠「更大」赢的。下一阶段真正分胜负的是训练数据的「特异性和真实性」。

2. 单位经济性正在重塑商业模型

1000 tok/s、Cerebras Lightning、$1.97 一个任务、$0.038 每百万 token（美团 LongCat-2.0）——这些数字共同指向一件事：当 token 成本跌到一定程度，「按 token 卖」的商业模式会瓦解。Cognition 不开公共 API 是这个判断的极端表达。

3. 评测污染是新战场

SpaceXAI 自己披露 CursorBench 污染、METR 拒绝发布预部署评估、OpenAI 公布「未授权动作」频率——行业正在被迫建立「可信基准 + 透明披露」的规范。这件事比单点模型的发布更重要。

4. 1M 上下文成为标配

Muse Spark 1.1 的 1M 上下文、OpenAI 在 GPT-5.5 早就推到 1M、Anthropic 也在 Sonnet 系列扩大。长上下文 + 真实 IDE 训练正在成为编程智能体的入场券。

写在最后

如果你是独立开发者，做项目选型的时候：

• 需要「模型自己推理能力更强」 → 盯着 Grok 4.5、GPT-5.6 Sol、Opus 4.8 这一档；
• 需要「大量 PR 的单位成本更便宜」 → 看 SWE-1.7、LongCat-2.0、或者用 Cerebras 部署的开源模型；
• 需要「能跑桌面 / 浏览器 / 移动端」 → Muse Spark 1.1、ChatGPT Work、GitHub Copilot 桌面 app 这一类已经全平台铺开。

7 月这一周，编程智能体没有出现「统一的最强者」，反而是分化出了「更强 vs 更便宜 vs 更广覆盖」的三条明确路线。这未必是坏事。开发者能选，模型供应商就必须做得更专，对整个生态是好事。

下次有值得拆开看的新发布，我再写一篇。