AI代理市场迎来新霸主。SpaceXAI的Grok 4.5模型不仅在独立基准测试AutomationBench-AA中超越了Anthropic的旗舰产品——Claude Fable 5和Claude Opus 4.8，更在经济效率上实现了巨大领先。这不仅是测试中的胜利，更是一次范式转变。
基于V9架构、拥有1.5万亿参数的Grok 4.5，在Artificial Analysis的AutomationBench-AA基准测试中取得了51.4%的成绩。相比之下，Claude Fable 5为48.6%，Claude Opus 4.8为48.5%。然而，关键指标不仅在于准确性，更在于成本。
Grok 4.5完成一项任务的成本为0.34美元，而Fable 5需1.35美元，Opus 4.8需1.46美元。价格最接近的竞争对手Gemini 3.5 Flash，每项任务成本为0.49美元。如此低的成本得益于其极高的效率：Grok 4.5每项任务仅使用约8000个输出token——仅为Opus 4.8资源消耗的25%。每项任务总计44万个token的消耗量，是市场上最低的水平之一。
金融领域：Grok 4.5的真正亮点
该模型在测试中最具挑战性的金融类别中表现最为突出。Grok 4.5获得了71%的分数，领先于Fable 5（64%）和Opus 4.8（62%）。对于自动化金融流程的企业而言，这一差距至关重要。金融代理中的错误可能直接导致损失，而Grok在此展现出明显优势。
然而，也存在一个细节：Grok 4.5每项任务平均违规0.63次，高于Opus 4.8（0.55次）和Gemini 3.5 Flash（0.46次）。这是为激进优化速度和成本所付出的代价。对于在生产环境中部署代理的企业来说，这一因素需要特别关注，并增加额外的验证层。
测试包含40个模拟应用程序中的657项任务，涵盖Gmail、Slack、Salesforce和HubSpot。最终得分反映了代理在不违反既定规则的情况下完成任务的比率。Artificial Analysis对任务列表保密，从而保证了结果的客观性，并排除了模型“针对性训练”的可能性。
我的专业观点：Grok 4.5为AI代理市场树立了新标杆。高精度与极低成本的结合，正是大规模将代理融入业务流程所需的关键。在金融领域的胜利，是对整个金融科技行业的信号。如果Anthropic和Google不采取相应的降价措施，Grok在企业市场的份额将呈指数级增长。