มัสก์ประเมิน Grok 4.8 ด้อยกว่า Claude Opus 5.5 ยกอีกฝ่ายเป็น ‘ผลงานชิ้นเอก’

อีลอน มัสก์ (Elon Musk) ประธานเจ้าหน้าที่บริหารของสเปซเอ็กซ์ (SpaceX) กล่าวเมื่อวันที่ 10 ว่า “Grok 4.8 ทำได้ไม่ดีเท่า Claude Opus 5.5 ส่วน Opus 5.5 เป็นผลงานชิ้นเอก” คำกล่าวนี้เป็นการประเมินของมัสก์ ไม่ใช่ผลเปรียบเทียบประสิทธิภาพภายใต้เงื่อนไขเดียวกัน

มัสก์กล่าวเช่นนี้ขณะตอบคำถามบน X ที่ขอให้เปรียบเทียบโมเดลทั้งสอง เขาไม่ได้เปิดเผยการทดสอบหรือคะแนนที่ใช้ในการเปรียบเทียบ

ในโพสต์อื่นบน X ในวันเดียวกัน มัสก์ระบุว่า Grok 4.8 ฝึกขั้นต้นเสร็จแล้วและกำลังอยู่ระหว่างการเรียนรู้แบบเสริมแรง ก่อนหน้านี้ TokenPost รายงานการเปลี่ยนไปสู่ขั้นตอนดังกล่าวและแผนทดสอบแบบจำกัดของ Grok 4.8

การฝึกขั้นต้นเป็นกระบวนการที่โมเดลเรียนรู้รูปแบบภาษาและข้อมูลจากข้อมูลปริมาณมาก ส่วนการเรียนรู้แบบเสริมแรงเป็นการปรับวิธีตอบของโมเดลโดยอาศัยผลการประเมิน

มัสก์เขียนว่าคะแนนประเมินเริ่มปรับตัวดีขึ้น แต่ไม่ได้ระบุตัวเลข คำกล่าวนี้เป็นข้อมูลเกี่ยวกับความคืบหน้าในการพัฒนา ซึ่งแยกจากผลการวัดประสิทธิภาพเพื่อเปรียบเทียบโมเดล

มัสก์ระบุในโพสต์บน X เมื่อวันที่ 10 ว่า มีแผนเปิดให้ผู้ใช้บอต Grok ทดลองใช้ Grok 4.8 แบบจำกัดในสัปดาห์นี้ เพื่อดูการตอบรับ

แอนโทรปิก (Anthropic) เปิดตัว Opus 5.5 เมื่อวันที่ 22 กันยายน โมเดลนี้ให้บริการผ่าน Claude และแพลตฟอร์มสำหรับนักพัฒนา โดย TokenPost เคยรายงานการเปิดตัวและการปรับลดราคาแล้ว

แอนโทรปิกอธิบายว่า เมื่อใช้การตั้งค่าเริ่มต้นกับงานทั่วไป Opus 5.5 มีต้นทุนต่ำกว่าโมเดลก่อนหน้าอย่าง Opus 5 อยู่ 40% ตัวเลขนี้เป็นการเปรียบเทียบตามงานและการตั้งค่าที่บริษัทระบุ

บริษัทยังระบุว่าปรับลดราคาต่อโทเค็นทั้งขาเข้าและขาออกลงอย่างละ 20% อัตราการลดราคาโทเค็นกับอัตราการลดต้นทุนต่อหนึ่งงานคำนวณจากคนละเกณฑ์

โทเค็นเป็นหน่วยที่โมเดล AI ใช้ประมวลผลข้อความและโค้ด ค่าใช้จ่ายในการใช้โมเดลยังขึ้นอยู่กับความยาวและปริมาณงาน นอกเหนือจากราคาต่อโทเค็น

ตารางผลประเมินที่แอนโทรปิกเผยแพร่ระบุว่า Opus 5.5 ทำคะแนนได้ 66.4% ใน Terminal-Bench 4.0 โดยบริษัทระบุค่าความคลาดเคลื่อนมาตรฐานของคะแนนไว้ที่ ±2.6 จุดเปอร์เซ็นต์

Terminal-Bench 4.0 ประเมินความสามารถของ AI ในการทำงานหลายขั้นตอนในสภาพแวดล้อมบรรทัดคำสั่ง ซึ่งเป็นการวัดคนละด้านกับการทดสอบที่พิจารณาเฉพาะคำตอบต่อคำถามเดียว

แอนโทรปิกอธิบายว่าความแตกต่างของคะแนนเบนช์มาร์กไม่ได้แสดงความแตกต่างด้านประสิทธิภาพในการทำงานจริงโดยตรง ดังนั้น คะแนนที่เปิดเผยจึงควรอ่านในฐานะผลการวัดจากการทดสอบนั้น

ตารางผลประเมินของแอนโทรปิกไม่มีคะแนนของ Grok 4.8 จึงไม่อาจถือคะแนน 66.4% ของ Opus 5.5 กับการประเมินของมัสก์เป็นผลเปรียบเทียบโดยตรงภายใต้เงื่อนไขเดียวกันได้

คู่มืออย่างเป็นทางการและเอกสารสำหรับนักพัฒนาจาก SpaceXSI ซึ่งเป็นผู้พัฒนา Grok กล่าวถึง Grok 4.7 แต่ยังไม่มีตารางผลประเมินหรือข้อมูลจำเพาะของ Grok 4.8