<p>SpaceXAI компаниясының Grok 4.5 моделі ИИ-агенттер бенчмаркінде Claude және Gemini-ді жеңіп шықты: арзанырақ, жылдамырақ, тиімдірек.</p>

ЖИ-агенттер нарығы тектоникалық өзгерістерді бастан кешіруде. SpaceXAI компаниясының 1,5 триллион параметрлері бар жаңа V9 архитектурасына негізделген Grok 4.5 моделі Илон Масктың үстемдік туралы мәлімдемелерін растап қана қоймай, тәуелсіз тестілеуде бәсекелестерді сөзбе-сөз талқандады.

Artificial Analysis компаниясының 40 симуляцияланған қосымшада (Gmail, Slack, Salesforce, HubSpot және басқалары) 657 тапсырманы қамтитын AutomationBench-AA бенчмаркі көрсеткендей: Grok 4.5 тапсырмаларды сәтті орындаудың 51,4% нәтижесімен бірінші орынды иеленді. Бұл Claude Fable 5 (48,6%) және Claude Opus 4.8 (48,5%) көрсеткіштерінен жоғары. Бірақ негізгі мәселе тек шикі баллдарда ғана емес.

Жаңа буын экономикасы

Grok 4.5 тапсырманы небәрі $0,34-ке орындайды, бұл Fable 5 ($1,35) және Opus 4.8 ($1,46) бағасынан 4 есе арзан. Баға бойынша ең жақын бәсекелес — Gemini 3.5 Flash ($0,49) — әлі де айтарлықтай қымбат. Мұндай тиімділіктің құпиясы архитектурада жатыр: модель тапсырмаға шамамен 8000 шығыс токенін пайдаланады, бұл Opus 4.8 ресурстарының небәрі 25% құрайды. Тапсырмаға жалпы токен тұтыну — 0,44 млн — нарықтағы ең төменгі көрсеткіштердің бірі.

Ең күрделі саналатын «Қаржы» санатында Grok 4.5 71% сәтті шешімдерді көрсетті, ал Fable 5-те 64%, Opus 4.8-де 62% болды. Нақты қаржы жүйелеріне ЖИ-агенттерді енгізетін компаниялар үшін бұл алшақтық миллиондаған үнемдеуді білдіруі мүмкін.

Медальдің кері жағы

Дегенмен, бір нюанс бар: Grok 4.5 тапсырмаға орта есеппен 0,63 рет ережелерді бұзады, бұл Opus 4.8 (0,55) және Gemini 3.5 Flash (0,46) көрсеткіштерінен жоғары. Қаржы операциялары контекстінде тіпті бір бұзушылық айтарлықтай шығынға әкелуі мүмкін. SpaceXAI, анық, қауіпсіздікке зиян келтіріп, жылдамдық пен құнға ставка жасады — және әзірге нарық мұны қабылдап отыр.

Менің кәсіби пікірім: Grok 4.5 тиімділіктің жаңа стандартын белгілейді, бірақ сенімділік мәселесі ашық күйінде қалады. Әрбір агент қателігі байлыққа тұруы мүмкін криптоиндустрия үшін жылдамдық пен қауіпсіздік арасындағы таңдау сыни маңызға ие болады. Жаңартуларды қадағалаңыз — бұл нарық тек қыза түседі.