Grok 4.5 真实任务榜登顶
XFreeze · x · 2026-07-11
Grok 4.5 在 AutomationBench-AA 上拿到 #1，用于衡量真实世界 AI 自动化任务能力。
- 得分 51%，高于 Claude Fable 5（49%）和 Claude Opus 4.8（48%）
- 号称每个任务成本约为对手的 1/4
- 每任务仅用约 8K 输出 token，作者称其在前沿模型里 token 效率很高
这条帖子的核心是在强调：Grok 4.5 不只是分数领先，也在真实任务的成本与 token 效率上表现突出。
「编程与Agent」频道最新
- NeurIPS 论文：MCP 工具故障使 agent 任务分暴跌 60%，大模型也救不了 — dair_ai · 2026-10-26
- 通用 Agent 跑 LinkedIn 外联一月烧 1.4 亿 token,脚本方案省 60 倍 — ChrisHarpon2 · 2026-10-26
- OpenAI Decisions API 升级：单次可处理 400 个问题并新增语音与图像能力 — OpenAIDevs · 2026-10-26
- 单靠 NLI 校验 Agent 记忆会误杀 5/6 新事实,加一道相似度门槛全部纠正 — Alternative_Pin9598 · 2026-10-26
- LangChain 发布 Managed Deep Agents 0.9,伦敦大会演讲详解 — LangChain · 2026-10-26
- 知识工作者 kit 新增项目组织方法：第一周发现比收尾省得多 — dSebastien · 2026-10-26