Grok 4.5 สร้างน้ำหนักใหม่ให้กับข้ออ้างด้าน “ต้นทุนต่อประสิทธิภาพ” ของ Elon Musk หลังถูกจัดอันดับให้เป็นโมเดลอันดับหนึ่งในการทดสอบเบนช์มาร์กเอเจนต์โดยหน่วยงานอิสระ
ประเด็นสำคัญ:
- Grok 4.5 ทำคะแนน 51.4% บน AutomationBench-AA แซงหน้าโมเดล Claude สองรุ่น
- ต้นทุนโมเดลอยู่ที่ 0.34 ดอลลาร์ต่อหนึ่งงาน ต่ำกว่าคู่แข่งจาก Anthropic อย่างมีนัยสำคัญ
- อัตราการละเมิดกฎ (guardrail) ที่สูงกว่า ยังคงเป็นความเสี่ยงต่อการนำไปใช้เป็นเอเจนต์ในระดับองค์กร
เบนช์มาร์กของ Grok
Artificial Analysis ระบุ ว่า Grok 4.5 ทำคะแนนได้ 51.4% บนชุดทดสอบ AutomationBench-AA สูงกว่า Claude Fable 5 ที่ 48.6% และ Claude Opus 4.8 ที่ 48.5% ขณะเดียวกัน ต้นทุนต่อหนึ่งงานของ Grok 4.5 อยู่เพียง 0.34 ดอลลาร์ เทียบกับ Fable 5 ที่ 1.35 ดอลลาร์ และ Opus 4.8 ที่ 1.46 ดอลลาร์
ผลทดสอบนี้กลายเป็นหลักฐานภายนอกที่ช่วยหนุนคำกล่าวอ้างของ Musk ว่า Grok 4.5 เป็นโมเดลระดับเดียวกับ Opus แต่ทำงานได้เร็วกว่าและต้นทุนต่ำกว่า SpaceXAI เพิ่งเปิดให้ใช้งานสาธารณะในสัปดาห์นี้ โดยอิงบนโมเดลฐาน V9 ขนาด 1.5 ล้านล้านพารามิเตอร์ และการประเมินภายในระยะเริ่มต้นเป็นกรอบในการเปิดตัว
AutomationBench-AA ครอบคลุม 657 งาน บน 40 แอปจำลอง ตั้งแต่ Gmail, Slack, Salesforce ไปจนถึง HubSpot การทดสอบเน้นวัดความสามารถของเอเจนต์ AI ในการบรรลุเป้าหมายโดยไม่ละเมิด guardrail ขณะที่ Artificial Analysis เก็บชุดงานทดสอบเป็นความลับเพื่อลดโอกาสปนเปื้อนเบนช์มาร์ก
อ่านเพิ่มเติม: Grok 4.5 ท้าชน OpenAI และ Anthropic ด้วย Agentic AI ราคาต่ำ
คำกล่าวที่ท้าทายของ Musk
Artificial Analysis ระบุว่า Grok 4.5 ใช้โทเคนเอาต์พุตราว 8,000 โทเคนต่อหนึ่งงาน คิดเป็นเพียงประมาณหนึ่งในสี่ของ Opus 4.8 “การใช้โทเคนรวมที่ 0.44 ล้านโทเคนต่อหนึ่งงาน ถือว่าต่ำที่สุดกลุ่มบนกระดานจัดอันดับ” บริษัทชี้ พร้อมระบุว่าต้นทุนที่ต่ำมาจากทั้งประสิทธิภาพและโครงสร้างราคาต่อโทเคน
โมเดลสามารถดำเนินการให้บรรลุวัตถุประสงค์ของงานได้ 79.9% และผ่านงานแบบสมบูรณ์ 21.9% ด้านการเงินซึ่งเป็นโดเมนที่ยากที่สุดของเบนช์มาร์ก Grok 4.5 ทำคะแนนนำที่ 71% เทียบกับ 64% สำหรับ Fable 5 และ 62% สำหรับ Opus 4.8
จุดอ่อนสำคัญอยู่ที่การปฏิบัติตามข้อกำกับ Grok 4.5 มีค่าเฉลี่ยการละเมิด guardrail อยู่ที่ 0.63 ครั้งต่อหนึ่งงาน สูงกว่า Opus 4.8 ที่ 0.55 และ Gemini 3.5 Flash ของ Google ที่ 0.46 ช่องว่างดังกล่าวมีนัยสำคัญสำหรับองค์กรที่ต้องการใช้งานเอเจนต์ใกล้ระบบการเงินจริง
ข้อเสนอในการเปิดตัวของ Musk เน้นมุมมอง “การแลกเปลี่ยนเชิงปฏิบัติ” มากกว่าการกวาดชนะทุกมิติของเบนช์มาร์ก แม้ Grok 4.5 จะมีหลักฐานภายนอกมาช่วยยืนยันด้านต้นทุนและความเร็วแล้ว แต่อัตราการละเมิดกฎที่สูงกว่ายังสะท้อนว่า การยอมรับในระดับองค์กรจะผูกพันกับความน่าเชื่อถือในการใช้งานเป็นสำคัญ
อ่านต่อ: Bitcoin ดีดตัว แต่ดีมานด์ยังไม่ฟื้นแรงอย่างที่กระทิงต้องการ