Grok 4.5 osiąga najlepszy wynik w teście agentów, potwierdzając twierdzenie Muska o klasie Opus

Elon Musk nazwał Grok 4.5 modelem klasy Opus, który działa szybciej i kosztuje mniej. Niezależny, autonomiczny ranking teraz potwierdza jego słowa.

Na AutomationBench-AA prowadzonej przez Artificial Analysis, Grok 4.5 uzyskał wynik 51,4% przy koszcie 0,34 USD za zadanie. Wyprzedził zarówno Claude Fable 5 (48,6%), jak i Claude Opus 4.8 (48,5%).

Wyniki AutomationBench-AA dla modeli AI. Źródło: Artificial Analysis

Niezależne potwierdzenie słów Elona Muska

SpaceXAI w tym tygodniu udostępnił Grok 4.5 publicznie. Model powstał na bazie V9 z 1,5 bln parametrów. Musk opierał prezentację na wczesnych wewnętrznych ocenach.

AutomationBench-AA zmienia sytuację. Artificial Analysis prowadzi ranking niezależnie i utrzymuje zestaw zadań w tajemnicy, aby uniknąć manipulacji.

Test obejmuje 657 zadań w 40 symulowanych aplikacjach, m.in. Gmail, Slack, Salesforce i HubSpot. Ocena wskazuje, jaki procent celów agent realizuje bez łamania zasad.

Obserwuj nas w serwisie X, by być na bieżąco z informacjami

Grok 4.5: tańszy, szybszy i w większości zgodny

Koszt 0,34 USD za zadanie w Grok 4.5 był znacznie niższy niż Fable 5 (1,35 USD) oraz Opus 4.8 (1,46 USD). Najbliżej był Gemini 3.5 Flash z 0,49 USD.

Model zużywał ok. 8000 tokenów wyjściowych na zadanie, czyli około 25% wyniku Opus 4.8. Ta efektywność generuje przewagę kosztową, co podkreślał Musk przy premierze.

“Całkowite zużycie tokenów 0,44 mln na zadanie jest jednym z najniższych na liście. Niski koszt wynika z tej wydajności i niskiej ceny tokena,” podkreślił Artificial Analysis.

Dodatkowo Grok 4.5 zrealizował 79,9% celów zadań oraz całkowicie zaliczył 21,9% zadań. W finansach, najtrudniejszej kategorii, Grok 4.5 osiągnął 71% wobec 64% Fable 5 i 62% Opus 4.8.

Model jednak częściej łamał zasady niż najbliżsi konkurenci. Notował 0,63 naruszeń na zadanie, wyżej niż Opus 4.8 (0,55) i Gemini 3.5 Flash (0,46).

Ta różnica ma znaczenie dla firm wdrażających agentów w rzeczywistych systemach finansowych. Jedno naruszenie może generować realne koszty.

Subskrybuj nasz kanał na YouTube, by oglądać ekspertów i dziennikarzy z ich analizami

BeInCrypto Polska - Grok 4.5 osiąga najlepszy wynik w teście agentów, potwierdzając twierdzenie Muska o klasie Opus