Grok 4.5 在最新獨立代理測試中拔得頭籌，為 Elon Musk 一再強調的「高效能、低成本」說法提供外部佐證。
重點整理：
- Grok 4.5 在 AutomationBench-AA 取得 51.4% 成績，領先兩款 Claude 模型。
- 單一任務成本僅 0.34 美元，遠低於 Anthropic 競品。
- 守規失誤率偏高，為企業級代理部署帶來合規風險。
Grok 基準測試結果
Artificial Analysis 指出，Grok 4.5 在 AutomationBench-AA 測試的得分為 51.4%，優於 Claude Fable 5 的 48.6% 與 Claude Opus 4.8 的 48.5%。在成本方面，Grok 4.5 每個任務約 0.34 美元，明顯低於 Fable 5 的 1.35 美元與 Opus 4.8 的 1.46 美元。
這份第三方測試，替馬斯克「Grok 4.5 屬於 Opus 級別、卻更快更便宜」的說法加上一層外部背書。SpaceXAI 本週正式開放該模型，強調其採用 1.5 兆參數的 V9 基礎模型，並以內部早期評測成績作為上市鋪陳。
AutomationBench-AA 涵蓋 40 款模擬應用、共 657 項任務，包含 Gmail、Slack、Salesforce 與 HubSpot 等場景。測試重點在於 AI 代理是否能在不觸犯防護規則（guardrails）的前提下完成目標，而 Artificial Analysis 為避免「考古題」污染，並未公開完整題庫。
延伸閱讀：Grok 4.5 Challenges OpenAI And Anthropic With Cheaper Agentic AI
馬斯克的大膽主張
Artificial Analysis 指出，Grok 4.5 每個任務約產生 8,000 個輸出 token，大約是 Opus 4.8 的四分之一。該機構表示：「其每個任務總 token 使用量約 44 萬，在排行榜上名列前段班」，並補充低成本來自模型效能與 token 價格雙重優勢。
Grok 4.5 在測試中完成 79.9% 的任務目標，完全通過（全程達標且無違規）的任務比例為 21.9%。在難度最高的金融領域，Grok 4.5 得分 71%，領先 Fable 5 的 64% 與 Opus 4.8 的 62%。
不過，其短板同樣明確：合規性表現偏弱。Grok 4.5 平均每個任務出現 0.63 次防護規則違反，高於 Opus 4.8 的 0.55 與 Google Gemini 3.5 Flash 的 0.46。對於計畫讓代理靠近真實金融系統的企業用戶而言，這樣的差距相當關鍵。
馬斯克在發表時，刻意將溝通焦點放在「實務上的取捨」，而非單純追求基準測試全面壓制。Grok 4.5 如今已獲得成本與速度上的第三方驗證，但偏高的違規率也顯示，企業採用節奏最終仍將取決於其可靠性能否跟上。
下一步閱讀：Bitcoin’s Recovery Has A Demand Problem Bulls Cannot Ignore