Grok 4.5 dẫn đầu bài kiểm tra Agent, củng cố tuyên bố Opus-Class của Musk

Elon Musk gọi Grok 4.5 là một mô hình Opus-class vận hành nhanh hơn và chi phí thấp hơn. Giờ đây, một chỉ số đánh giá độc lập đã xác nhận cho nhận định đó.

Trên bảng đánh giá AutomationBench-AA của Artificial Analysis, Grok 4.5 đứng đầu với số điểm 51.4% và chi phí chỉ 0.34 USD cho mỗi nhiệm vụ. Grok 4.5 vượt qua cả Claude Fable 5 (48.6%) và Claude Opus 4.8 (48.5%).

Một đánh giá độc lập về nhận định của Elon Musk

SpaceXAI đã ra mắt Grok 4.5 công khai trong tuần này, dựa trên nền tảng V9 với 1.5 nghìn tỷ tham số. Tuy nhiên, đánh giá ban đầu của Musk chỉ dựa vào số liệu nội bộ.

AutomationBench-AA đã thay đổi điều đó. Artificial Analysis chạy bảng đánh giá này một cách độc lập và giữ kín các nhiệm vụ để đảm bảo khách quan, tránh gian lận.

Bài kiểm tra gồm 657 nhiệm vụ trên 40 ứng dụng mô phỏng như Gmail, Slack, Salesforce và HubSpot. Điểm số thể hiện tỷ lệ mục tiêu được agent hoàn thành mà không vi phạm quy định an toàn.

Theo dõi chúng tôi trên X để cập nhật tin nhanh nhất

Grok 4.5: Giá rẻ, nhanh và tương đối tuân thủ

Mức phí mỗi nhiệm vụ của Grok 4.5 chỉ 0.34 USD, thấp hơn nhiều so với Fable 5 là 1.35 USD và Opus 4.8 là 1.46 USD. Đối thủ gần nhất là Gemini 3.5 Flash chỉ ở mức 0.49 USD.

Mô hình này sử dụng khoảng 8,000 token đầu ra cho mỗi nhiệm vụ, chỉ bằng khoảng một phần tư so với Opus 4.8. Nhờ vậy, chi phí mỗi nhiệm vụ giảm mạnh, đúng như cam kết của Musk khi giới thiệu sản phẩm.

“Tổng số token sử dụng trên mỗi nhiệm vụ là 0.44 triệu, nằm trong top thấp nhất trên bảng xếp hạng. Chi phí thấp bắt nguồn từ khả năng tối ưu token cũng như giá token rẻ,” Artificial Analysis nhận định.

Thêm vào đó, Grok 4.5 hoàn thành 79.9% mục tiêu công việc và thực hiện trọn vẹn 21.9% tổng nhiệm vụ. Trong lĩnh vực tài chính – được đánh giá khó nhất – Grok 4.5 đạt 71%, vượt qua Fable 5 (64%) và Opus 4.8 (62%).

Tuy nhiên, Grok 4.5 lại là mô hình vi phạm quy tắc nhiều hơn so với hai đối thủ gần nhất. Trung bình, mỗi nhiệm vụ Grok 4.5 vi phạm 0.63 lần, cao hơn Opus 4.8 (0.55 lần) và Gemini 3.5 Flash (0.46 lần).

Sự chênh lệch này quan trọng với các doanh nghiệp áp dụng agent AI cho hệ thống tài chính thực, bởi chỉ một vi phạm nhỏ cũng có thể gây tổn thất lớn.

Đăng ký kênh YouTube của chúng tôi để xem các chuyên gia và phóng viên phân tích chuyên sâu