VulcanBench

xAI 的 Grok 4.5 在 VulcanBench 基准测试中取得 91.3% 的分数，完成 23 个任务中的 21 个，超越 Anthropic 的 Claude Fable 5 和 OpenAI 的 GPT-5.6 Sol。该基准测试专注于多文件软件工程任务，涵盖五种编程语言，并且强调可重复性和成本透明度。