Современная гонка больших языковых моделей смещается из плоскости чистого интеллекта в область операционной эффективности. На первый план выходят AI-агенты, способные автономно управлять сложными SaaS-экосистемами, где цена ошибки высока, а стоимость вычислений критична. Новые данные независимого тестирования AutomationBench-AA демонстрируют неожиданного лидера, который пересмотрел подход к выполнению задач. Grok 4.5 от SpaceXAI доказал, что прагматичный подход к ресурсам может оказаться эффективнее «грубой силы» флагманов индустрии.
В индустрии искусственного интеллекта наступает эра агентности, когда модель перестает быть просто чат-ботом и становится полноценным оператором программного обеспечения. Чтобы оценить реальные способности таких систем, компания Zapier совместно с Artificial Analysis разработала AutomationBench-AA — один из самых жестких тестов для AI-агентов. В отличие от стандартных бенчмарков, здесь модели работают в 40 симулированных средах, включая Gmail, Slack, Salesforce и HubSpot, взаимодействуя с ними через REST API. Задача агента — не просто найти ответ, а выполнить конкретный бизнес-процесс, ориентируясь в зашумленном окружении с избыточными и вводящими в заблуждение данными.
Результаты тестирования вывели Grok 4.5 на первое место с показателем 51,4%. Модель стала первым представителем своего класса, сумевшим выполнить более половины целей, не нарушив при этом установленные бизнес-правила. Конкуренты из Anthropic оказались в роли догоняющих: Claude Fable 5 набрал 48,6% (причем в 18% случаев системе требовался фолбэк на модель Opus), а Claude Opus 4.8 показал результат в 48,5%.
Однако истинный триумф Grok 4.5 заключается не в минимальном отрыве по точности, а в радикальной оптимизации затрат. Стоимость выполнения одной задачи для модели SpaceXAI составила всего 0,34 доллара, что в четыре раза дешевле, чем у Fable 5 (1,35 доллара) или Opus 4.8 (1,46 доллара).
Этот разрыв объясняется фундаментально разным подходом к генерации ответов. В то время как Opus 4.8 тратит на задачу в среднем 32 тысячи выходных токенов, Grok 4.5 обходится примерно 8 тысячами. Эффективность достигается за счет более плотного планирования: модель решает задачу примерно за 16 итераций, упаковывая в каждый ход по 3,3 параллельных вызова инструментов. Такая стратегия минимизирует «словесный шум» и сокращает количество циклов взаимодействия с API. В сочетании с агрессивным ценообразованием за токены (2 доллара за миллион входных и 6 за миллион выходных) это делает Grok 4.5 безальтернативным вариантом с точки зрения экономики масштабирования.
Тем не менее, высокая скорость и низкая стоимость имеют свою цену. Анализ выявил уязвимость Grok 4.5 в области соблюдения жестких ограничений. Модель допускает в среднем 0,63 нарушения на задачу, что заметно больше, чем у Opus 4.8 (0,55) или Gemini 3.5 Flash (0,46). Для корпоративного сектора, особенно в финансовых системах, где одно неверное действие в API может привести к реальным убыткам, этот показатель становится критическим фактором риска.
Схожая тенденция наблюдается и в области программирования. В рейтинге Coding Agent Index агент Grok Build набрал 76 баллов, что ставит его в один ряд с GPT-5.5 (xhigh) и делает почти равным Fable 5 (max). Но и здесь экономический разрыв выглядит ошеломляюще: выполнение задачи в Grok Build обходится в 2,49 доллара, тогда как Fable 5 требует 11,80 доллара, а GPT-5.5 — 5,07 доллара. Разница в потреблении ресурсов колоссальна: Grok расходует 1,9 млн токенов против 7,2 млн у Fable 5.
Если рассматривать общую картину через Intelligence Index, Grok 4.5 занимает четвертое место с 54 баллами, уступая Fable 5, GPT-5.5 и Opus 4.8. По сравнению с предыдущей версией (Grok 4.3) модель прибавила 16 пунктов, что свидетельствует о стремительном росте. Однако этот прогресс сопровождается опасным парадоксом: точность в фактологическом тесте AA-Omniscience выросла с 35% до 52%, но одновременно с этим доля галлюцинаций подскочила с 25% до 54%. Модель стала знать больше, но при этом начала ошибаться с гораздо большей уверенностью.
Несмотря на эти шероховатости, независимые замеры подтверждают амбиции SpaceXAI. Заявление о создании модели «уровня Opus» теперь выглядит не просто маркетинговым ходом, а технически обоснованным фактом, особенно если оценивать интеллект через призму стоимости и эффективности выполнения реальных рабочих задач.
Эра цифровых рекрутеров в США
