据 Woofun AI 消息，独立评估机构 Artificial Analysis 更新了 AutomationBench-AA 排名，SpaceXAI 开发的 Grok 4.5 以 51.4% 的得分位居榜首，超越 Claude Fable 5 和 Claude Opus 4.8。该测试集包含 657 项多步骤任务，涉及 Gmail、Slack 等 40 种模拟应用环境，评分标准严格，任何违反企业规范的行为将导致得分归零。

Grok 4.5 成为首个得分超过 50% 的模型，其单任务处理成本仅为 0.34 美元，显著低于 Claude Fable 5 的 1.35 美元及 GPT-5.5 xhigh 的 1.28 美元。

尽管成本优势明显，Grok 4.5 的稳定性稍逊，平均每项任务存在 0.63 次违规，高于 Gemini 3.5 Flash 的 0.46 次。