SpaceXAI 发布 Grok 4.5 模型, 在自动化评测集夺冠且成本极低

SpaceXAI 发布 Grok 4.5 模型, 在 AutomationBench-AA 自动化评测中取得 51% 的得分, 位列全球第一。据 SpaceXAI 官方公告, 该模型在维持 Opus-4.8 级性能的同时, 大幅降低了单次任务成本, 且在处理复杂 SaaS 工作流时展现出极高的 token 效率。

Grok 4.5 领跑自动化评测集

在针对 AI agent 自动化 SaaS 工作流能力的独立评测集 AutomationBench-AA 中,Grok 4.5 以 51% 的得分夺冠, 超越了 Claude Fable 5(49%) 与 Claude Opus 4.8(48%)。该评测集包含 40 个模拟应用环境 (如 Gmail,Slack,Salesforce 等), 涵盖 657 项任务, 核心指标为在不违反业务规则的前提下完成目标的比例。

据 SpaceXAI 公布,Grok 4.5 是首个在不触发业务违规的情况下, 完成超过一半工作流目标的模型。在目标完成率上,Grok 4.5 达到 79.9%, 高于 Claude Fable 5 的 73.3%; 在严格通过率 (完全完成任务) 上, 其得分为 21.9%, 领先于 Claude Opus 4.8 的 19.3%。

极高的成本效益与 token 效率

Grok 4.5 在性能与成本的 Pareto 前沿上实现了突破。其单次任务成本仅为 0.34 美元, 远低于 Claude Fable 5(1.35 美元)、Claude Opus 4.8(1.46 美元) 和 GPT-5.5(1.28 美元)。即使与 Gemini 3.5 Flash(0.49 美元) 相比,Grok 4.5 依然更具价格优势。

低成本得益于极高的 token 效率。Grok 4.5 每项任务平均仅使用 ~8k 个输出 token, 不到 Claude Opus 4.8(32k) 的四分之一, 也仅为 Gemini 3.5 Flash(24k) 的三分之一。其单次任务总 token 消耗量为 0.44M, 处于评测集最低水平。

并行工具调用与领域表现

在执行路径上,Grok 4.5 通过增加并行工具调用来缩短任务周期。该模型平均仅需 ~16 轮对话即可解决任务, 少于 GPT-5.5 的 25 轮, 且不到 Gemini 3.5 Flash(35 轮) 的一半。其单次任务的工具调用次数高达 52.5 次, 每轮平均批处理 3.3 个工具调用, 高于 Claude Opus 4.8(~2.5) 和 GPT-5.5(~2.0)。

在最具挑战性的金融领域,Grok 4.5 表现出最强竞争力, 目标完成率达 71%, 领先于 Claude Fable 5(64%) 和 Claude Opus 4.8(62%)。不过在安全性方面, 其单次任务触发违规次数为 0.63 次, 略高于 Claude Opus 4.8(0.55) 和 Gemini 3.5 Flash(0.46)。

Grok 4.5 通过优化并行调用与 token 消耗, 在保证 agent 级别执行力的同时显著压低了运行成本, 尤其是金融等高难度领域的突破, 使其在企业级自动化场景中具备极高竞争力。