Tinawag ni Elon Musk ang Grok 4.5 na Opus-class model na mas mabilis tumakbo at mas mura gamitin. Ngayon, may independent test na puwedeng magsabing legit talaga ‘yung claim niya.
Sa AutomationBench-AA test ng Artificial Analysis, nag-number 1 ang Grok 4.5 na may 51.4% score at $0.34 lang per task ang gastos. Natalo nito ang parehong Claude Fable 5 (48.6%) at Claude Opus 4.8 (48.5%).
Independent na Testing sa Claim ni Elon Musk
Ngayong linggo, nag-public launch ang SpaceXAI ng Grok 4.5 na gamit ang 1.5 trillion-parameter na V9 foundation. Nakabase si Musk sa mga internal test nila dati para i-promote ito.
Binaliktad ng AutomationBench-AA ang eksena. Ang Artificial Analysis ang nag-run ng test independently at private pa ang listahan ng tasks nila para iwas dayaan o pre-training leak.
Sakop ng test ang 657 na tasks sa loob ng 40 na simulated na apps tulad ng Gmail, Slack, Salesforce, at HubSpot. Nira-rank nito kung ilang objectives ang na-kompleto ng AI nang hindi nilalabag yung mga rules ng system (guardrails).
I-follow kami sa X para updated lagi sa pinaka-latest na balita
Grok 4.5: Mas Mura, Mas Mabilis, At Karaniwang Nasusunod ang Rules
Ang Grok 4.5, $0.34 lang per task — layo sa Fable 5 na $1.35 at Opus 4.8 na $1.46. Pinakamalapit na lumapit si Gemini 3.5 Flash na $0.49.
Mga nasa 8,000 output tokens lang per task ang gamit ng Grok 4.5 — halos one-fourth lang ng sa Opus 4.8. Dahil dito, mas malaki ang natitipid, pareho sa sinabi ni Musk nung launch.
“Yung total token usage niya na 0.44M per task, isa sa pinaka-mababa sa leaderboards. Kaya mababa ang cost, bukod sa murang token pricing, dahil sobrang efficient nitong model,” ayon sa Artificial Analysis sa post nila.
Din, nagawa ng Grok 4.5 na tapusin ang 79.9% ng mga task objective at fully ipasa ang 21.9% ng tasks. Sa Finance na pinaka-challenging na category, nag-lead si Grok 4.5 sa score na 71%, mas mataas sa Fable 5 (64%) at Opus 4.8 (62%).
Pero mas madalas lumabag sa rules ang Grok 4.5 kumpara sa malapit na katunggali. Naka-log siya ng 0.63 guardrail violation kada task, mas mataas kaysa Opus 4.8 (0.55) at Gemini 3.5 Flash (0.46).
Mahalaga ‘tong gap na ‘to para sa mga kumpanyang magde-deploy ng AI agents sa totoong finance system, kasi isang violation pa lang pwede nang magkaproblema sa pera.
Mag-subscribe sa YouTube channel namin para mapanood ang expert insights mula sa mga leader at journalists
