Elon Musk, Grok 4.5’ın Opus sınıfı bir model olduğunu, daha hızlı çalıştığını ve maliyetinin düşük olduğunu söylüyor. Bağımsız ve otomatik bir kıyaslama artık bu iddiayı ciddi anlamda destekliyor.
Artificial Analysis’ın AutomationBench-AA testinde Grok 4.5, %51,4 puanla ilk sırada yer aldı ve görev başına yalnızca 0,34 dolar maliyetle çalıştı. Grok 4.5, Claude Fable 5 (%48,6) ve Claude Opus 4.8’i (%48,5) geride bıraktı.
Yapay Zeka Modellerinin AutomationBench-AA Skoru. Kaynak: Artificial AnalysisElon Musk’ın İddiası Bağımsız Kriterlerle Test Edildi
SpaceXAI, Grok 4.5’ı bu hafta 1,5 trilyon parametreli V9 altyapısı üzerinde kamuya açtı. Musk’ın tanıtımı, daha çok dahili öncül test sonuçlarına dayanıyordu.
Bu tabloyu AutomationBench-AA değiştiriyor. Artificial Analysis bu testi tamamen bağımsız bir şekilde yürütüyor ve kullanılan görevleri dışarıya kapalı tutarak herhangi bir manipülasyonu önlüyor.
Test, aralarında Gmail, Slack, Salesforce ve HubSpot’un da bulunduğu 40 farklı simüle uygulamada toplam 657 görevi kapsıyor. Burada esas alınan puan: bir ajanın, güvenlik sınırlarını ihlal etmeden başarıyla tamamladığı görevlerin oranı.
Bizi X’ten takip edin ve en sıcak gelişmelerden anında haberdar olun!
Grok 4.5: Daha Ucuz, Daha Hızlı, Esas Olarak Kurallara Uygun
Grok 4.5’ın görev başı 0,34 dolarlık maliyeti, Fable 5’in 1,35 dolarına ve Opus 4.8’in 1,46 dolarına kıyasla epey düşük. Gemini 3.5 Flash ise 0,49 dolarla en yakın rakip olarak yer alıyor.
Model bir görevde yaklaşık 8.000 çıktı token’ı kullandı. Bu, Opus 4.8’in harcadığının neredeyse dörtte biri. Yani maliyetteki esas farkı yaratan da bu verimlilik. Bu durum Musk’ın lansmandaki çerçevesiyle birebir örtüşüyor.
Artificial Analysis şu ifadeleri kullandı: ‘Görev başına toplam token kullanımı 0,44 milyon ile liderlik tablosundaki en düşük değerlerden biri oldu. Düşük maliyet; bu verimlilik ve düşük token fiyatlandırmasından kaynaklanıyor’ dedi.
Ayrıca Grok 4.5, görev hedeflerinin %79,9’unu tamamladı ve görevlerin %21,9’unda tam başarı sağladı. En zorlu alan olan Finans’ta ise %71’lik oranla öne çıktı. Fable 5 bu alanda %64, Opus 4.8 ise %62’de kaldı.
Ancak bu modelin, en yakın rakiplerine göre daha fazla kural ihlali yaptığı dikkat çekiyor. Görev başına 0,63 oranında ‘guardrail ihlali’ kaydedildi. Opus 4.8’de bu sayı 0,55 iken, Gemini 3.5 Flash’ta 0,46 olarak ölçüldü.
Bu fark; canlı finansal sistemlerde ajan çalıştıran şirketler için oldukça önemli. Zira tek bir kural hatası bile ciddi maliyetlere yol açabiliyor.
YouTube kanalımıza abone olun ve uzman yorumlarını, liderler ve gazetecilerden ilk elden izleyin!
Grok 4.5: Agent testinde zirvede, Musk’ın Opus-Class iddiası destek buldu maddesi ilk BeInCrypto web sitesinde görüldü.