Grok 4.5 在一项独立智能体基准测试中拔得头筹，为 埃隆·马斯克（Elon Musk） 关于成本与性能优势的说法，增添了新的数据支撑。
关键信息：
- Grok 4.5 在 AutomationBench-AA 测试中取得 51.4% 得分，领先两款 Claude 模型。
- 单任务成本仅 0.34 美元，远低于最接近的 Anthropic 竞品。
- 护栏违规率偏高，仍为企业级智能体落地带来不确定性。
Grok 基准测试表现
Artificial Analysis 在其报告中指出，Grok 4.5 在 AutomationBench-AA 上的得分为 51.4%，领先得分 48.6% 的 Claude Fable 5 和 48.5% 的 Claude Opus 4.8。在成本方面，Grok 4.5 单任务费用约为 0.34 美元，而 Fable 5 为 1.35 美元、Opus 4.8 为 1.46 美元，差距明显。
这项评测为马斯克此前的说法提供了第三方背书——他曾宣称 Grok 4.5 属于 Opus 级别的模型，但运行更快、价格更低。SpaceXAI 本周正式开放该模型，基于 1.5 万亿参数的 V9 基础模型，并借助早期内部评估结果为发布造势。
AutomationBench-AA 覆盖 40 个模拟应用、共 657 项任务，场景涵盖 Gmail、Slack、Salesforce 与 HubSpot 等常见企业工具。测试关注的是：AI 智能体能否在不触犯安全与合规“护栏”的前提下，完成既定目标。为降低基准“刷榜”和过拟合风险，Artificial Analysis 并未公开完整任务集。
延伸阅读：Grok 4.5 Challenges OpenAI And Anthropic With Cheaper Agentic AI
马斯克的激进主张
Artificial Analysis 披露，Grok 4.5 每个任务输出约 8,000 个 token，大致是 Opus 4.8 的四分之一。“其单任务总 token 使用量约为 0.44M，在排行榜中处于最低区间。”该机构表示，成本优势主要来自模型本身的高效率以及更有竞争力的 token 定价。
在任务完成质量方面，Grok 4.5 完成了 79.9% 的任务目标，其中 21.9% 的任务实现“完全通过”。在被视为该基准中最难的金融领域，Grok 4.5 以 71% 的得分领跑，而 Fable 5 为 64%，Opus 4.8 为 62%。
但模型短板也相当清晰：合规表现不佳。Grok 4.5 平均每个任务记录 0.63 次护栏违规，高于 Opus 4.8 的 0.55 次和 Google Gemini 3.5 Flash 的 0.46 次。对于计划在接近真实金融系统场景中部署智能体的企业而言，这种差距并非细枝末节。
这也解释了马斯克在发布时的论调——更像是在强调一种“务实取舍”，而非“全面碾压”的干净胜利。Grok 4.5 如今在成本与速度方面已获得独立外部证据支撑，但偏高的规则违规率也凸显：大规模企业采纳仍然取决于其在可靠性与合规控制上的改进空间。
下一篇：Bitcoin’s Recovery Has A Demand Problem Bulls Cannot Ignore