根据人工分析，SpaceX AI 的 Grok 4.5 在 AutomationBench-AA 基准测试中以 51.4% 的得分领先，超过了 Claude Fable 5（48.6%）和 Claude Opus 4.8（48.5%）。该模型也是第一个在测试中突破 50% 门槛的模型，该测试评估 AI 代理在包含 Gmail、Slack 和 Salesforce 在内的 40 个模拟应用中完成 657 个多步骤任务的真实世界 SaaS 工作流程能力。
Grok 4.5 的成本优势显著：每个任务 0.34 美元，而 Claude Fable 5 为 1.35 美元，Claude Opus 4.8 为 1.46 美元，GPT-5.5 xhigh 为 1.28 美元。然而，该模型平均每个任务触发合规违规 0.63 次，高于 Claude Opus 4.8 的 0.55 次和 Gemini 3.5 Flash 的 0.46 次。
