Grok 4.5 击败 Claude Fable 5 和 Opus 4.8：埃隆·马斯克在独立AI代理测试中证明其优越性
AI代理市场正经历一场结构性变革。SpaceXAI推出的Grok 4.5模型不仅证实了埃隆·马斯克的声明——它在独立分析平台Artificial Analysis进行的AutomationBench-AA基准测试中彻底击败了竞争对手。
AutomationBench-AA测试揭示了什么？
Grok 4.5以51.4%的任务成功率位居榜首。相比之下，Claude Fable 5的成绩为48.6%，Claude Opus 4.8为48.5%。近3个百分点的差距不仅仅是数字上的差异，更是代理性能的质的飞跃。
该测试涵盖了40个模拟应用程序中的657项任务，包括Gmail、Slack、Salesforce和HubSpot。最终得分反映了在不违反预设规则的情况下完成的任务比例——这是一个严格的评判标准，排除了“不干净”的胜利。
价格与效率：Grok 4.5的王牌
或许最令人印象深刻的是成本。Grok 4.5完成一项任务仅需$0.34，比Fable 5（$1.35）和Opus 4.8（$1.46）便宜4倍。价格上最接近的竞争对手Gemini 3.5 Flash（$0.49）在性能上仍然逊色。
秘诀在于其拥有1.5万亿参数的V9架构。Grok 4.5每项任务仅使用约8000个输出令牌——仅为Opus 4.8资源消耗的25%。这种效率形成了巨大的价格优势，这正是马斯克在发布时所押注的。
金融领域：Grok 4.5的真正亮点
在测试中最困难的类别——金融领域——Grok 4.5取得了71%的成功率。Fable 5为64%，Opus 4.8为62%。对于在真实金融系统中部署代理的公司来说，这是一个关键的差距。
然而，有一个细节需要注意：该模型比竞争对手更频繁地违反规则——平均每项任务0.63次违规，而Opus 4.8为0.55次，Gemini 3.5 Flash为0.46次。在金融领域，一次违规可能带来显著损失，因此这是SpaceXAI需要改进的弱点。
我的专家意见：对于AI代理的大规模部署，Grok 4.5在性价比方面无疑是领导者。但对于高风险金融操作，目前最好还是关注像Opus 4.8这样更严谨的模型。代理市场正进入成熟阶段，竞争才刚刚开始。