Grok 4.5 Claude Fable 5 пен Opus 4.8-ді талқандады: Илон Маск тәуелсіз AI-агенттер сынағында басымдылығын дәлелдеді
ЖИ агенттерінің нарығы тектоникалық өзгерістерді бастан кешіруде. SpaceXAI компаниясының Grok 4.5 моделі Илон Масктың мәлімдемелерін растап қана қоймай, тәуелсіз талдау платформасы Artificial Analysis жүргізген AutomationBench-AA бенчмаркінде бәсекелестерді жойды.
AutomationBench-AA тесті не көрсетті?
Grok 4.5 тапсырмаларды орындауда 51,4% нәтижемен бірінші орынды иеленді. Салыстыру үшін: Claude Fable 5 — 48,6%, ал Claude Opus 4.8 — 48,5% көрсетті. 3 пайыздық тармаққа жуық айырмашылық — бұл жай сандар емес, агенттер өнімділігіндегі сапалық серпіліс.
Тест Gmail, Slack, Salesforce және HubSpot қоса алғанда, 40 модельденген қосымшадағы 657 тапсырманы қамтыды. Қорытынды балл белгіленген ережелерді бұзбай орындалған тапсырмалардың үлесін көрсетеді — бұл "лас" жеңістерді жоққа шығаратын қатаң критерий.
Бағасы мен тиімділігі: Grok 4.5-тің басты козыры
Ең әсерлі аспект — құны. Grok 4.5 тапсырманы $0,34-ке орындайды, бұл Fable 5 ($1,35) және Opus 4.8 ($1,46)-ден 4 есе арзан. Бағасы бойынша ең жақын бәсекелес — $0,49 тұратын Gemini 3.5 Flash — өнімділік бойынша бәрібір ұтылады.
Құпия 1,5 триллион параметрі бар V9 архитектурасында жатыр. Grok 4.5 бір тапсырмаға шамамен 8000 шығыс токенін ғана пайдаланады — бұл Opus 4.8 ресурстарының небәрі 25%-ы. Мұндай тиімділік Маск іске қосу кезінде сүйенген орасан зор баға артықшылығын қалыптастырады.
Қаржы секторы: Grok 4.5 шынымен жарқыраған жер
Тесттің ең күрделі санатында — қаржыда — Grok 4.5 71% сәтті орындау көрсетті. Fable 5 — 64%, Opus 4.8 — 62% жинады. Нақты қаржы жүйелерінде агенттерді іске қосатын компаниялар үшін бұл сыни айырмашылық.
Алайда бір нюанс бар: модель бәсекелестерге қарағанда ережелерді жиі бұзады — бір тапсырмаға орта есеппен 0,63 бұзушылық, ал Opus 4.8-де 0,55 және Gemini 3.5 Flash-та 0,46. Қаржыда бір бұзушылық айтарлықтай шығынға әкелуі мүмкін, сондықтан бұл SpaceXAI пысықтауы тиіс әлсіз тұс.
Менің сараптамалық пікірім: Grok 4.5 — ЖИ агенттерін жаппай енгізу үшін баға/сапа арақатынасы бойынша даусыз көшбасшы. Бірақ жоғары тәуекелді қаржылық операциялар үшін әзірге Opus 4.8 сияқты тәртіпті модельдерге назар аударған жөн. Агенттер нарығы жетілу кезеңіне енуде және жарыс енді басталуда.