Ripple 65B Preview vs. Grok 4.7: Welchem Benchmark glaubst du eigentlich?

Ripple 65B Preview wurde am 4. November 2026 mit einer Geschichte über Größe vorgestellt: ein Open-Weight-Modell mit 65 Milliarden Parametern von Ricursive Intelligence, das Metas 816B Muse Spark Open, Thinking Machines' 975B Inkling und NVIDIAs 550B Nemotron 3 Ultra beim agentischen Coding schlägt. Grok 4.7 erzählt eine andere Geschichte. Es ist ein geschlossenes xAI-Modell, veröffentlicht am 21. September 2026, erzielt 35 auf dem Intelligence Index v5.0.1 von Artificial Analysis – der niedrigste Wert aller frontiernahen Modelle in dieser Preisklasse – und schlägt Ripple 65B Preview dennoch um 27 Punkte bei dem einen Coding-Benchmark, den beide Labore in derselben Version veröffentlicht haben. Zwei Modelle, zwei Benchmark-Geschichten, die in entgegengesetzte Richtungen zeigen. Die interessante Frage ist nicht, welches Modell besser ist. Sondern auf welche Messung man einen Produktions-Workload verwetten möchte.

Die Umkehrung, klar formuliert

Die Modellkarte von Grok 4.7 meldet DeepSWE v1.1 mit 71,0. Die Modellkarte von Ripple meldet 44,3. Gleicher Benchmark, gleiche Version, beide vom Anbieter gemeldet, keine Harness-Mehrdeutigkeit, über die man streiten müsste. Grok gewinnt um 26,7 Punkte bei Software-Engineering-Agentenarbeit.

Jetzt die andere Richtung. Ripple meldet für Terminal-Bench 2.1 80,52. Grok meldet für Terminal-Bench 4.0 38,0. Diese Werte sind nicht vergleichbar – 2.1 ist ein Patch des 2.0-Sets mit 89 Aufgaben, 4.0 ein neu aufgebauter Aufgabensatz mit Prüfungen gegen adversarisches Schummeln und einem Acht-Stunden-Timeout, das beim ersten Kontakt jeden Frontier-Score einbrechen ließ –, doch die Richtung des Abstands ist so groß, dass die Version allein ihn wahrscheinlich nicht erklärt. Groks 38,0 ist selbst für 4.0 niedrig; Claude Opus 5.5 meldet dort 66,4 und GPT-6.1 Sol etwa 55.

Also erzielt dasselbe Modellpaar einen 27-Punkte-Vorsprung für Grok bei einem Benchmark und einen 42-Punkte-Vorsprung für Ripple bei einem anderen. Einer dieser beiden Tests misst etwas, das der andere nicht misst, und ein Käufer muss wissen, welcher seiner Arbeitslast ähnelt.

Was Terminal-Bench und DeepSWE jeweils belohnen

Terminal-Bench ist ein Benchmark für Shell-Aufgaben. Der Agent erhält einen Container, ein Ziel und ein Zeitlimit und wird danach bewertet, ob der endgültige Zustand des Dateisystems und der Dienste korrekt ist. Version 2.1 korrigierte 28 der 89 Aufgaben aufgrund defekter Abhängigkeiten, Ressourcen-Fehlanpassungen und Fehlspezifikationen; Version 4.0 verwirft acht Aufgaben, korrigiert neunzehn weitere und fügt speziell Prüfungen auf Manipulationsresistenz hinzu, weil Agenten Wege fanden, ohne die Arbeit zu erledigen zu bestehen. Eine Studie von Berkeley RDI zeigte, dass ein automatisierter Exploit-Agent bei SWE-bench Pro und Terminal-Bench 100 % erreichte, ohne eine einzige Aufgabe zu lösen, indem er den Parser überschrieb oder curl im Container trojanisierte. Jeder Versionssprung seither war ein Wettrüsten dagegen.

DeepSWE ist anders geartet: langfristige Softwareentwicklung an echten Repositories, bei der der Agent einen Plan über viele Änderungen hinweg aufrechterhalten muss. Es belohnt Ausdauer und Kontextmanagement stärker als cleveres Arbeiten in der Shell. Ein Modell kann in dem einen exzellent und in dem anderen mittelmäßig sein, und die beiden Labore hier scheinen für unterschiedliche Hälften optimiert zu haben.

Das ist die nützlichste Sache in diesem Vergleich. Wenn Ihre Agenten in Containern laufen und Systemarbeiten erledigen – Builds, Migrationen, Infrastrukturreparaturen –, ist die Terminal-Bench-Reihenfolge die relevante, und Ripples 80,5 zählt. Wenn Ihre Agenten eine große Codebasis über Hunderte von Turns hinweg bearbeiten, kommt DeepSWE der Aufgabe näher, und Groks 71,0 zählt.

Grok 4.7s tatsächliches Profil

Grok 4.7 ist ein Reasoning-Modell mit vier Aufwandsstufen – niedrig, mittel, hoch und xhigh –, wobei hoch die Standardeinstellung ist und sich das Reasoning nicht vollständig abschalten lässt. Das ist ungewöhnlich und hat Auswirkungen auf die Kosten: Jeder Aufruf bezahlt Denk-Tokens, ob die Aufgabe sie nun braucht oder nicht. Das Modell verfügt über ein Kontextfenster von 500.000 Tokens, akzeptiert Text und Bilder und gibt Text zurück.

• Preis — Grok: 2,00 $ Eingabe / 6,00 $ Ausgabe pro Million unter 200K Eingabe, 4,00 $ / 12,00 $ darüber; Ripple hat keinen Listenpreis, gehostete Tarife nahe 0,20 $ / 0,60 $

• Kontext — Grok 500K vs. Ripple bis zu 1M behauptet

Unabhängiger Score — Grok 35 auf AA index v5.0.1 zu $7.77 pro Index-Aufgabe; Ripple nicht gerankt

• Ausgabegeschwindigkeit — Grok 72 Tok/s gemessen; Ripple 250 Tok/s für 2×B200 angegeben

• Lizenz — Grok proprietär, nur API; Ripple Apache 2.0

• DeepSWE v1.1 — Grok 71,0 gegen Ripple 44,3

• Veröffentlichung — Grok 21. September 2026 vs. Ripple 4. November 2026

Die Schwelle von 200.000 Tokens ist das Abrechnungsdetail, das viele überrascht: Wird sie überschritten, wird die gesamte Anfrage zum höheren Satz neu abgerechnet, nicht nur der überschüssige Teil. Ein Aufruf mit 210K Tokens kostet doppelt so viel wie ein Aufruf mit 199K Tokens. Bei einem 500K-Fenster und immer aktivem Reasoning ist das leicht versehentlich zu überschreiten.

Die Billigproduktions-Falle

Sechs Dollar pro Million Ausgabe-Tokens sind der niedrigste Preis unter den geschlossenen Modellen in diesem Vergleich – Opus 5.5 kostet 20 $, Sol und Argon kosten 10 $ – und es ist die Zahl, auf die sich Groks Pitch stützt. Es ist zugleich die Zahl, die am ehesten in die Irre führt.

Zwei Dinge zehren den Vorteil auf. Erstens ist Reasoning Pflicht, sodass ein erheblicher Anteil dessen, was Ihnen in Rechnung gestellt wird, auf Denken entfällt, das Sie nicht angefordert haben. Artificial Analysis beziffert Grok 4.7 mit $7.77 Rechenleistung pro Index-Aufgabe, was das Sechsfache der $1.27 von GPT-6.1 Sol ist und die $10.04 von Opus 5.5 nur um Haaresbreite übersteigt — trotz einer beworbenen Ausgaberate, die ein Drittel der von Opus beträgt. Zweitens verbraucht das Modell Berichten zufolge bei ähnlicher Arbeit etwa doppelt so viele Tokens pro Aufgabe wie Grok 4.6. Günstige Tokens mal mehr Tokens sind keine Ersparnis.

Ripples Ökonomie hat die entgegengesetzte Form und ist genauso leicht misszuverstehen. Es gibt überhaupt keine Preisliste: Die Gewichte stehen unter Apache 2.0, und die Kosten sind GPUs. Bei 250 Tokens pro Sekunde auf zwei B200s in BF16 ist der Durchsatz pro Dollar hervorragend, wenn man die GPUs auslastet, und miserabel, wenn nicht. Die gehosteten Preise von etwa 0,20 $ für Eingabe und 0,60 $ für Ausgabe sind die Amortisation genau dieses Geschäfts durch jemand anderen.

Langfristige Arbeit, bei der Groks Zahlen am stärksten sind

Die Zeilen, die Groks Launch besonders betonte, waren die Marathon-Zeilen: SWE-Marathon v1.1 bei 46,0, gegenüber 31,9 für Grok 4.6, FrontierSWE V2 bei 29,5 und CursorBench 4.0 bei 46,3 gegenüber 40,4. Dabei handelt es sich um Benchmarks für anhaltende Anstrengung innerhalb einer einzigen langen Aufgabe, und sie verbesserten sich zwischen 4.6 und 4.7 deutlich stärker als die Single-Turn-Werte. xAIs eigene Darstellung – gleicher Preis, längere Horizonte – ist zutreffend.

Ripples Gegenargument ist architektonischer Natur. Ein dichtes Modell mit 80 Schichten und einem 1M-Fenster, das über Langkontext-Stufen mit 2M Token trainiert wurde, ist darauf ausgelegt, einen großen Working Set zu halten, und bei einem dichten 65B-Modell gibt es kein Expert-Routing, das bei Skalierung schiefgehen kann. Ob sich das in besseres Verhalten über lange Horizonte übersetzt, beantwortet genau keine veröffentlichte Benchmark, weil Ripple nicht auf SWE-Marathon oder FrontierSWE gelaufen ist.

Was soll man damit machen?

Triff die Wahl zwischen diesen beiden nicht anhand eines Benchmark-Diagramms. Triff sie anhand der Form der Arbeit und der Form der Rechnung.

Die Arbeit mit containerbasierten Systemen, die Möglichkeit, eigene GPUs zu betreiben, und eine Lizenzanforderung, die das Gespräch mit einer geschlossenen API beendet: Ripple 65B Preview ist das richtige Experiment, und sein 80,5 auf Terminal-Bench 2.1 – ein direkter Vergleich mit den anderen Open-Weight-Modellen in dieser Grafik – ist der Beleg dafür. Repository-weite Bearbeitung über lange Zeithorizonte: Grok 4.7s 71,0 auf DeepSWE ist das stärkste Signal derselben Version in beide Richtungen, und seine Marathon-Ergebnisse stützen dies.

Grok 4.7 ist ab heute über OrcaRouter zum Listenpreis von xAI mit 0 % Aufschlag routbar, zusammen mit mehr als 200 weiteren Modellen über einen einzigen Key — inklusive der vier Effort-Stufen, sodass ein günstiger Triage-Call und eine xhigh-Eskalation hinter demselben Endpoint liegen können, plus automatischem Failover, falls xAI beeinträchtigt ist. Das ist bei Grok wichtiger als üblich, denn seine Kosten pro Aufgabe werden eher vom Token-Volumen als vom Listenpreis bestimmt; die einfachen Calls zu einem günstigeren Modell zu routen, verändert die gemischte Rechnung weit stärker als der Preis von 6 $. Ripple ist nicht im Katalog, daher ist diese spezielle Aufteilung dafür nicht verfügbar.

Die Zahl, die diesen Vergleich entscheidet, existiert noch nicht: Ripple 65B Preview hat keinen DeepSWE-Re-Run durch ein neutrales Harness und keinen Eintrag bei Artificial Analysis. Bis dahin kann man ehrlicherweise nur sagen, dass Grok 4.7 bei langen Repository-Arbeiten messbar besser ist und Ripple bei Shell-Aufgaben messbar besser ist, und der Benchmark, dessen Namen man kennt, ist nicht automatisch der, dem die eigene Arbeitslast ähnelt.