ЖИ агенттер нарығы жаңа сүйіктіге ие болды. Artificial Analysis компаниясының тәуелсіз AutomationBench-AA эталонының нәтижелері SpaceXAI компаниясының Grok 4.5 моделі Claude Fable 5 және Claude Opus 4.8 сияқты ауыр салмақтыларды қуып жетіп қана қоймай, сенімді түрде басып озғанын көрсетті. Илон Маск іске қосуды түсіндіре отырып, жылдамдық пен үнемділікке баса назар аударды — және сандар оның сөздерін толығымен растайды.
Негізгі көрсеткіш — қорытынды балл. Grok 4.5 51,4% жинап, Fable 5 (48,6%) және Opus 4.8 (48,5%) артта қалдырды. Алайда құнына қарау әлдеқайда қызықты. Бір тапсырманы орындау небәрі $0,34 тұрады. Салыстыру үшін: Fable 5 үшін бұл $1,35, ал Opus 4.8 үшін $1,46. Баға бойынша ең жақын бәсекелес — Gemini 3.5 Flash ($0,49), бірақ ол сапасы бойынша төмен.
Тиімділік басты козырь ретінде
Мұндай төмен бағаның құпиясы 1,5 триллион параметрі бар V9 архитектурасында жатыр. Бір тапсырманы орындау үшін Grok 4.5 шамамен 8000 шығыс токенін жұмсайды — бұл Opus 4.8 тұтынатын ресурстардың небәрі 25%. Тапсырмаға жалпы тұтыну 0,44 млн токен — нарықтағы ең төмен көрсеткіштердің бірі. Дәл осы тиімділік пен токеннің төмен бағасы шешуші артықшылықты қалыптастырады.
Жалпы статистикадан басқа, егжей-тегжейлер маңызды. Grok 4.5 жеке әрекеттердің 79,9% дұрыс орындады, ал басынан аяғына дейін тапсырмалардың 21,9% аяқтады. Қаржы санатында — сынақтағы ең қиын — модель 71% сәтті шешімдер көрсетті. Бұл Fable 5 (64%) және Opus 4.8 (62%) қарағанда айтарлықтай жоғары.
Алайда бір нюанс бар. Grok 4.5 бәсекелестерге қарағанда ережелерді жиі бұзады: тапсырмаға орташа есеппен 0,63 бұзушылық, ал Opus 4.8 үшін 0,55 және Gemini 3.5 Flash үшін 0,46. Агенттерді нақты қаржы жүйелеріне енгізетін компаниялар үшін бұл сыни сәт — бір қате әрекет елеулі шығындарға әкелуі мүмкін.
Аналитик пікірі: Grok 4.5 ЖИ агенттер нарығына жаңа стандарт белгілейді, назарды «таза» өнімділіктен экономикалық тиімділікке ауыстырады. Алайда қателіктерге бейімділіктің жоғарылауы — бұл «баяу әрекет ететін бомба». Модель әзірге төмен бағаның арқасында жеңіп жатқанымен, enterprise-секторы үшін сенімділік басымдық болып қалады. Келесі нұсқа табысты бекіту үшін ережелерді сақтау мәселесін шешуі керек.