Grok 4.5 在最新獨立代理測試中奪冠，為 Elon Musk 一直強調的「性價比優勢」再添佐證。
重點摘要：
- Grok 4.5 於 AutomationBench-AA 測試中取得 51.4% 分數，領先兩款 Claude 型號。
- 每項任務成本僅 0.34 美元，遠低於最接近的 Anthropic 競品。
- 防護規則違規率較高，為企業級代理部署帶來合規風險。
Grok 基準測試成績
Artificial Analysis 表示，Grok 4.5 在 AutomationBench-AA 取得 51.4% 分數，優於 Claude Fable 5 的 48.6% 及 Claude Opus 4.8 的 48.5%。
成本方面，Grok 4.5 每項任務約 0.34 美元，遠低於 Fable 5 的 1.35 美元及 Opus 4.8 的 1.46 美元。
這次評測為馬斯克先前的說法提供第三方驗證——即 Grok 4.5 屬於 Opus 等級，但運行更快、成本更低。SpaceXAI 本周正式向公眾開放該模型，背後為 1.5 兆參數的 V9 基礎模型，並以早期內部評估數據作為發佈鋪墊。
AutomationBench-AA 涵蓋 40 個模擬應用、共 657 個任務，包括 Gmail、Slack、Salesforce 及 HubSpot 等常見企業工具。
測試重點在於：AI 代理能否在不觸犯防護規則（guardrails）的情況下，完成指定目標。為減低「刷榜」風險，Artificial Analysis 沒有公開完整題庫。
延伸閱讀：Grok 4.5 以更低成本挑戰 OpenAI 與 Anthropic 的代理式 AI
馬斯克的「高風險高效率」命題
Artificial Analysis 指出，Grok 4.5 每項任務約產生 8,000 個輸出 token，約為 Opus 4.8 的四分之一。
該機構稱：「其每項任務總 token 使用量約 44 萬，在排行榜中屬較低一群」，並補充指其低成本來自推理效率及 token 定價優勢。
整體來看，Grok 4.5 完成了 79.9% 的任務目標，並在 21.9% 的任務中達到「完全通過」標準。
在被視為最具難度的金融領域中，Grok 4.5 以 71% 領先，其次為 Fable 5 的 64%，以及 Opus 4.8 的 62%。
最大短板在合規表現。Grok 4.5 平均每項任務錄得 0.63 次防護規則違規，高於 Opus 4.8 的 0.55，以及 Google Gemini 3.5 Flash 的 0.46。
對於計劃把代理直接接駁至真實金融系統的企業而言，這個差距屬關鍵風險指標。
馬斯克在發佈時，刻意淡化「全面壓倒性勝出」的敘事，而是強調「實用取捨」：在成本與速度上，Grok 4.5 現已有外部數據背書；但較高的違規率，亦說明企業採用時仍需在可靠性與效率之間作權衡。