Artificial Analysis опубликовала результаты независимого тестирования Grok 4.5 на AutomationBench-AA — лидерборде, который проверяет, могут ли AI-агенты автоматизировать реальные рабочие процессы в SaaS-сервисах. Модель SpaceXAI заняла первое место с 51,4% и стала первой, кто выполнил больше половины целей без нарушения бизнес-правил. Флагманы Anthropic остались позади: Claude Fable 5 набрал 48,6% (модель работала с фолбэком на Opus примерно в 18% задач), Claude Opus 4.8 — 48,5%. При этом задача обходится Grok 4.5 в $0.34 — вчетверо дешевле, чем у конкурентов ($1.35 у Fable 5 и $1.46 у Opus 4.8).
Читать далее
Источник: habr.com