xAI lanza Grok Code Fast 1 para programar con agentes

xAI ha lanzado grok-code-fast-1, un modelo de inteligencia artificial diseñado para escribir y modificar código dentro de herramientas como Cursor, GitHub Copilot y Windsurf. Su apuesta principal no es solo la calidad de las respuestas, sino reducir el tiempo que los desarrolladores pasan esperando.

El modelo ya está disponible de forma general a través de la API de xAI. Además, se ofrece gratis durante un tiempo limitado en varias plataformas asociadas, entre ellas GitHub Copilot, Cursor, Cline, Roo Code, Kilo Code, opencode y Windsurf.

Pensado para trabajar dentro de un proyecto

grok-code-fast-1 no se ha creado como un asistente de preguntas y respuestas al uso. xAI lo ha entrenado desde cero para trabajar con agentes de programación, sistemas que pueden leer archivos, ejecutar comandos, buscar texto y editar código por su cuenta.

El modelo está preparado para usar herramientas habituales como grep, la terminal y los editores de archivos. En la práctica, eso le permite encargarse de tareas como:

• Crear un proyecto desde cero.
• Responder preguntas sobre una base de código existente.
• Corregir errores concretos sin modificar partes innecesarias.
• Implementar funciones siguiendo un plan por etapas.

Es especialmente competente, según xAI, en TypeScript, Python, Java, Rust, C++ y Go. La compañía asegura que puede completar muchas tareas habituales con poca supervisión, aunque eso no elimina la necesidad de revisar los cambios antes de incorporarlos a un proyecto real.

La velocidad es la principal diferencia

xAI afirma que ha optimizado tanto el modelo como la infraestructura que lo ejecuta para acelerar cada respuesta. En los flujos de programación con agentes, el sistema suele alternar entre razonar, llamar a una herramienta y analizar el resultado. Cada espera se acumula.

La empresa asegura que grok-code-fast-1 puede realizar decenas de llamadas a herramientas en el tiempo que un usuario tarda en leer el inicio de su explicación. También dice que consigue tasas de acierto de caché superiores al 90% con sus socios de lanzamiento. La caché permite reutilizar partes de una petición ya procesada y reduce tanto el tiempo de respuesta como el coste.

Esa rapidez cambia la forma de trabajar. En lugar de enviar una instrucción enorme y esperar a que el agente lo haga todo, puede resultar más eficaz dividir el trabajo en tareas pequeñas: primero planificar una función, después implementarla y, por último, corregir los errores que aparezcan. Así puedes revisar y redirigir al modelo en cada paso.

Resultados y precio de la API

En la versión completa de SWE-Bench Verified, un conjunto de problemas reales de programación, grok-code-fast-1 obtuvo un 70,8% en las pruebas internas de xAI. La compañía advierte que este tipo de benchmark no refleja por completo la experiencia diaria de usar un agente dentro de un editor.

Por eso, xAI también combina las pruebas automáticas con evaluaciones de programadores y revisiones del comportamiento del modelo en tareas habituales. La velocidad, la fiabilidad y la facilidad para corregir el rumbo pesan tanto como la capacidad de resolver un problema aislado.

El precio de la API queda fijado en:

• 0,20 dólares por cada millón de tokens de entrada.
• 1,50 dólares por cada millón de tokens generados.
• 0,02 dólares por cada millón de tokens de entrada reutilizados desde la caché.

Un token es una pequeña unidad de texto que el modelo procesa. El coste final dependerá de cuánto código lea, cuánto genere y cuántas veces repita el contexto del proyecto.

Qué viene después

xAI lanzó inicialmente el modelo de forma discreta bajo el nombre en clave sonic y fue publicando nuevas versiones para responder al feedback de la comunidad. La compañía promete actualizaciones frecuentes, con mejoras que lleguen en días en lugar de semanas.

También asegura que ya entrena una variante con entrada multimodal, llamadas paralelas a herramientas y una ventana de contexto más amplia. Eso permitiría analizar más tipos de información, ejecutar varias acciones al mismo tiempo y trabajar con proyectos de mayor tamaño.

Para ti, la noticia importa si programas con agentes dentro de un IDE: puedes probar un modelo centrado en reducir las esperas y con un coste bajo en la API. La clave será comprobar si esa velocidad mantiene la precisión cuando las tareas se vuelven largas, ambiguas o afectan a muchas partes del código.