比推消息，据监测，独立评测机构 Artificial Analysis 更新 AutomationBench-AA 榜单。SpaceXAI 的 Grok 4.5 以 51.4% 得分登顶，超过 Claude Fable 5 的 48.6% 和 Claude Opus 4.8 的 48.5%。AutomationBench-AA 基于 Zapier 的 AutomationBench，测试 AI agent 能否按企业规则完成真实 SaaS 工作流。测试集包含 657 个多步骤任务，覆盖 40 个模拟应用环境，包括 Gmail、Google Sheets、Slack、Salesforce 和 HubSpot。评分规则很严。模型不只要把任务做完，还不能碰企业预设红线。只要某个任务触发违规，这个任务就按 0 分处理。Grok 4.5 的原始目标完成率接近 80%，高于 Claude Fable 5 和 Claude Opus 4.8。即便被红线扣分后，它仍以 51.4% 排在第一，也是当前首个得分超过 50% 的模型。它的成本优势更明显。Grok 4.5 每个任务成本为 0.34 美元，低于 Claude Fable 5 的 1.35 美元、Claude Opus 4.8 的 1.46 美元，以及 GPT-5.5 xhigh 的 1.28 美元。但 Grok 4.5 不是最稳的模型。它平均每个任务触发 0.63 次违规，高于 Claude Opus 4.8 的 0.55 次和 Gemini 3.5 Flash 的 0.46 次。