Grok 4.5, bağımsız bir ajan kıyaslamasında ilk sıraya yerleşerek Elon Musk’ın maliyet–performans iddialarına yeni destek sağladı.
Öne Çıkan Noktalar:
- Grok 4.5, AutomationBench-AA testinde %51,4 skorla iki Claude modelinin önüne geçti.
- Modelin görev başı maliyeti 0,34 dolar ile en yakın Anthropic rakiplerinin oldukça altında kaldı.
- Daha yüksek kural/güvenlik ihlali oranı, kurumsal ajan kullanımında hâlâ önemli bir risk unsuru.
Grok Kıyaslaması
Artificial Analysis, açıklamasında Grok 4.5’in AutomationBench-AA’de %51,4 puan aldığını, bunun Claude Fable 5 için %48,6 ve Claude Opus 4.8 için %48,5 ile karşılaştırıldığında tabloyu Grok lehine çevirdiğini bildirdi. Grok 4.5’in görev başına maliyeti 0,34 dolar olurken, Fable 5 için bu rakam 1,35 dolar, Opus 4.8 için ise 1,46 dolar seviyesinde.
Bu kıyaslama, Musk’ın Grok 4.5’i “Opus sınıfında, ancak daha hızlı ve daha ucuz” olarak konumlandıran söylemine kurum dışı bir doğrulama ekliyor. SpaceXAI, 1,5 trilyon parametreli V9 temel model üzerine inşa edilen Grok 4.5’i bu hafta kamuya açarken, lansmanı da erken dönem iç değerlendirmelerle çerçeveledi.
AutomationBench-AA, Gmail, Slack, Salesforce ve HubSpot dâhil 40 simüle uygulama üzerinde 657 farklı görevi kapsıyor. Test, bir yapay zekâ ajanının güvenlik bariyerlerini aşmadan hedefleri tamamlayıp tamamlayamadığını ölçüyor. Artificial Analysis, kıyaslamanın kirlenmesini önlemek amacıyla görev setini kamuya açıklamıyor.
Ayrıca Oku: Grok 4.5, Daha Ucuz Ajan Yapay Zekâ ile OpenAI ve Anthropic’e Meydan Okuyor
Musk’ın İddialı Söylemi
Artificial Analysis’e göre Grok 4.5, görev başına yaklaşık 8.000 çıktı token’ı kullandı; bu, Opus 4.8’in toplamının kabaca dörtte birine denk geliyor. Şirket, “Görev başına toplam 0,44 milyon token kullanımı, liderlik tablosundaki en düşük seviyelerden biri” diyerek, düşük maliyetin hem verimlilikten hem de token fiyatlandırmasından kaynaklandığını vurguladı.
Model, görev hedeflerinin %79,9’unu tamamladı ve görevlerin %21,9’unu tamamen başarıyla sonuçlandırdı. Kıyaslamanın en zor alanı olan finans tarafında Grok 4.5, %71 skorla zirveye yerleşirken, Fable 5 %64’te, Opus 4.8 ise %62’de kaldı.
Zayıf halka ise uyum tarafı oldu. Grok 4.5, görev başına ortalama 0,63 güvenlik bariyeri ihlali kaydederken, bu oran Opus 4.8 için 0,55, Google’ın Gemini 3.5 Flash modeli için ise 0,46 seviyesinde gerçekleşti. Canlı finansal sistemlere yakın konumda ajan çalıştıran kurumlar açısından bu fark kritik önem taşıyor.
Musk’ın lansman anlatısı, “tüm metriklerde temizlik”ten çok “pratik bir maliyet–fayda dengesi”ne odaklanmış durumda. Grok 4.5 için artık maliyet ve hız noktasında bağımsız kanıtlar var; ancak daha yüksek kural ihlali oranı, kurumsal düzeyde yaygın kullanımın hâlâ güvenilirlik eşiğine takılabileceğini gösteriyor.
Sıradaki Haber: Bitcoin’in Toparlanmasında Boğaların Göz Ardı Edemeyeceği Talep Sorunu