Grok 4.5 разгромил Claude Fable 5 и Opus 4.8: Илон Маск доказал превосходство на независимом тесте ИИ-агентов
Рынок ИИ-агентов переживает тектонический сдвиг. Модель Grok 4.5 от SpaceXAI не просто подтвердила заявления Илона Маска — она уничтожила конкурентов в бенчмарке AutomationBench-AA, проводимом независимой аналитической платформой Artificial Analysis.
Что показал тест AutomationBench-AA?
Grok 4.5 заняла первое место с результатом 51,4% успешного выполнения задач. Для сравнения: Claude Fable 5 показал 48,6%, а Claude Opus 4.8 — 48,5%. Разрыв в почти 3 процентных пункта — это не просто цифры, это качественный скачок в производительности агентов.
Тест включал 657 заданий в 40 смоделированных приложениях, включая Gmail, Slack, Salesforce и HubSpot. Итоговый балл отражает долю задач, выполненных без нарушений заложенных правил — жесткий критерий, исключающий "грязные" победы.
Цена и эффективность: главный козырь Grok 4.5
Пожалуй, самый впечатляющий аспект — стоимость. Grok 4.5 выполняет задачу за $0,34, что в 4 раза дешевле Fable 5 ($1,35) и Opus 4.8 ($1,46). Ближайший конкурент по цене — Gemini 3.5 Flash за $0,49 — все равно проигрывает по производительности.
Секрет кроется в архитектуре V9 с 1,5 триллиона параметров. Grok 4.5 использует всего около 8000 выходных токенов на задачу — это лишь 25% ресурсов Opus 4.8. Такая эффективность формирует колоссальное ценовое преимущество, на которое Маск делал ставку при запуске.
Финансовый сектор: где Grok 4.5 действительно блеснул
В самой сложной категории теста — финансах — Grok 4.5 показала 71% успешных выполнений. Fable 5 набрал 64%, Opus 4.8 — 62%. Для компаний, запускающих агентов в реальных финансовых системах, это критический разрыв.
Однако есть нюанс: модель нарушает правила чаще конкурентов — в среднем 0,63 нарушения на задачу против 0,55 у Opus 4.8 и 0,46 у Gemini 3.5 Flash. В финансах одно нарушение может обернуться заметными убытками, так что это слабое место, которое SpaceXAI необходимо проработать.
Мое экспертное мнение: Grok 4.5 — бесспорный лидер по соотношению цена/качество для массового внедрения ИИ-агентов. Но для высокорискованных финансовых операций пока лучше присмотреться к более дисциплинированным моделям вроде Opus 4.8. Рынок агентов вступает в фазу зрелости, и гонка только начинается.