Grok 4.5 顶级代理测试，支持马斯克的杰作级声明

埃隆·马斯克称Grok 4.5为一款Opus级模型，运行速度更快且成本更低。一个独立的、具有代理性的基准现在为这一说法提供了真实的支持。

在人工分析的AutomationBench-AA上，Grok 4.5以51.4%的得分排名第一，每个任务的成本为0.34美元。它超越了Claude Fable 5（48.6%）和Claude Opus 4.8（48.5%）。

对埃隆·马斯克声明的独立检查

SpaceXAI本周将Grok 4.5公开，基于其1.5万亿参数的V9基础。马斯克的推介基于早期的内部评估。

AutomationBench-AA改变了这一点。人工分析独立运行基准，并保持其任务集的私密性以防止污染。

该测试涵盖了657个任务，涉及40个模拟应用，包括Gmail、Slack、Salesforce和HubSpot。它评分的是代理在不违反守护规则的情况下完成的目标比例。

Grok 4.5每个任务的0.34美元远低于Fable 5的1.35美元和Opus 4.8的1.46美元。Gemini 3.5 Flash以0.49美元最接近。

该模型每个任务使用约8000个输出令牌，约为Opus 4.8总数的四分之一。这种效率推动了大部分成本差距，符合马斯克在发布时使用的框架。

“每个任务的总令牌使用量为44万，是排行榜上最低的之一。低成本是由这种效率以及低令牌定价驱动的，”人工分析表示。

此外，Grok 4.5 完成了 79.9% 的任务目标，并且完全通过了 21.9% 的任务。在金融领域，最具挑战性的领域，它以 71% 的成绩领先，超过了 Fable 5 的 64% 和 Opus 4.8 的 62%。

然而，该模型违反的规则比其最接近的竞争对手更多。它每个任务记录了 0.63 次保护措施违规，超过了 Opus 4.8 的 0.55 和 Gemini 3.5 Flash 的 0.46。

这个差距对部署代理到实时金融系统的公司来说很重要，因为一次违规可能会产生实际成本。

来源：BeInCrypto