根據人工分析，SpaceX AI 的 Grok 4.5 在 AutomationBench-AA 基準測試中以 51.4% 的得分領先，超越了 Claude Fable 5（48.6%）和 Claude Opus 4.8（48.5%）。該模型也是首個在該基準測試中突破 50% 門檻的，該測試評估 AI 代理完成包含 Gmail、Slack 和 Salesforce 在內的 40 個模擬應用程式中 657 個多步驟任務的現實世界 SaaS 工作流程的能力。
Grok 4.5 的成本優勢顯著：每個任務 0.34 美元，而 Claude Fable 5 為 1.35 美元，Claude Opus 4.8 為 1.46 美元，以及 GPT-5.5 xhigh 為 1.28 美元。然而，該模型平均每個任務觸發合規違規次數為 0.63 次，高於 Claude Opus 4.8 的 0.55 次和 Gemini 3.5 Flash 的 0.46 次。
