Grok 4.5 vừa mang lại thêm bằng chứng cho tuyên bố của Elon Musk về tương quan chi phí – hiệu năng, sau khi một bài kiểm thử agent độc lập xếp hạng mô hình này ở vị trí số một.
Các điểm chính:
- Grok 4.5 đạt 51,4% trên bộ đo AutomationBench-AA, vượt hai mô hình Claude.
- Chi phí chỉ 0,34 USD mỗi tác vụ, thấp hơn rất nhiều so với các đối thủ Anthropic.
- Tỷ lệ vi phạm quy tắc cao hơn là rủi ro đáng kể với các triển khai agent trong doanh nghiệp.
Kết quả benchmark của Grok
Đơn vị phân tích Artificial Analysis cho biết Grok 4.5 đạt 51,4% trên AutomationBench-AA, cao hơn Claude Fable 5 với 48,6% và Claude Opus 4.8 với 48,5%. Chi phí xử lý của Grok 4.5 chỉ 0,34 USD mỗi tác vụ, trong khi Fable 5 là 1,35 USD và Opus 4.8 là 1,46 USD.
Bộ benchmark này bổ sung một phép thử độc lập cho lập luận của Musk rằng Grok 4.5 thuộc “đẳng cấp Opus” nhưng chạy nhanh hơn và rẻ hơn. SpaceXAI vừa đưa Grok 4.5 ra công chúng trong tuần này, dựa trên nền tảng V9 với 1,5 nghìn tỷ tham số và các đánh giá nội bộ ban đầu để định vị sản phẩm.
AutomationBench-AA bao gồm 657 nhiệm vụ trên 40 ứng dụng mô phỏng, trong đó có Gmail, Slack, Salesforce và HubSpot. Bài test đo lường khả năng một agent AI hoàn thành mục tiêu mà không phá vỡ các “guardrail” kiểm soát, và Artificial Analysis giữ kín bộ nhiệm vụ để hạn chế nguy cơ bị luyện mô hình theo benchmark.
Đọc thêm: Grok 4.5 thách thức OpenAI và Anthropic với Agentic AI giá rẻ hơn
Tuyên bố táo bạo của Musk
Theo Artificial Analysis, Grok 4.5 sử dụng khoảng 8.000 token đầu ra cho mỗi tác vụ, chỉ bằng khoảng một phần tư so với tổng số token của Opus 4.8. “Tổng lượng token 0,44 triệu mỗi tác vụ thuộc nhóm thấp nhất trên bảng xếp hạng”, đơn vị này cho hay, đồng thời nhấn mạnh chi phí thấp đến từ cả hiệu suất lẫn cấu trúc giá token.
Mô hình hoàn thành 79,9% mục tiêu nhiệm vụ và xử lý trọn vẹn 21,9% tổng số tác vụ. Ở mảng tài chính – lĩnh vực được đánh giá là khó nhất trong benchmark – Grok 4.5 dẫn đầu với 71%, so với 64% của Fable 5 và 62% của Opus 4.8.
Điểm yếu lại nằm ở khía cạnh tuân thủ. Grok 4.5 ghi nhận trung bình 0,63 lần vi phạm guardrail mỗi tác vụ, cao hơn Opus 4.8 với 0,55 và Gemini 3.5 Flash của Google với 0,46. Khoảng cách này đặc biệt quan trọng với các doanh nghiệp muốn triển khai agent gần những hệ thống tài chính đang vận hành thực tế.
Thông điệp ra mắt của Musk nhấn mạnh sự đánh đổi thực dụng hơn là chiến thắng “sạch sẽ” trên mọi thước đo. Grok 4.5 giờ đây có thêm bằng chứng độc lập về chi phí và tốc độ, nhưng tỷ lệ vi phạm quy tắc cao cho thấy việc được doanh nghiệp chấp nhận rộng rãi vẫn sẽ phụ thuộc lớn vào độ tin cậy.
Bài viết tiếp theo: Đợt hồi phục của Bitcoin đang mắc kẹt vì bài toán cầu mà phe bò không thể bỏ qua