A1intelligence — канал об искусственном интеллекте

Grok 4.5 — новый лидер в эффективности выполнения агентских задач. Моделька от Маска стала первой, кто смог выполнить больше половины бизнес задач, не нарушив при этом заданных правил. В тесте AutomationBench-AA было 657 задач в 40 разных приложениях, включая Gmail, Google Sheets, Slack, Salesforce и HubSpot. Grok 4.5 выполнила 79,9% целей и 21,9% задач — безупречно, без единой ошибки. Её итоговый балл — 51,4%, больше, чем у Claude Fable 5 (48,6%) и Claude Opus 4.8 (48,5%). При этом Grok 4.5 стоит всего $0,34 за задачу — вчетверо дешевле моделей Claude. Модель невероятно экономно расходует токены — 8 тыс. на задачу (у Opus 4.8 — 32 тыс., Gemini 3.5 Flash — 24 тыс.). Grok 4.5 также быстрее других: 16 шагов на задачу (GPT-5.5 — 25, Gemini — 35) и лидер по инструментам — 52,5 вызова, по 3,3 за раз. Минус — она чаще нарушает правила, чем Claude и Gemini (0,63 нарушения на задачу), но между нарушениями выполняет 13 целей (у Gemini — 15, у Opus — 13,5). В финансовых задачах Grok вообще поставил рекорд — 71% против 64% у Fable и 62% у Opus. Подробнее