Claude Mythos 5 vs Grok 4.7: Tres números independientes que no coinciden

Artificial Analysis puntuó a Grok 4.7 tres veces la misma tarde y obtuvo tres respuestas que apuntan en direcciones distintas: 46 en su Intelligence Index —dos puntos por encima de Grok 4.6—, 56 en su Coding Agent Index, nueve puntos de ventaja, y 1.657 Elo en AA-Briefcase, 111 puntos de ventaja. Esa dispersión es lo más interesante del lanzamiento de S​paceXAI del 21 de septiembre de 2026, y también es la razón por la que este enfrentamiento contra C​laude M​ythos 5 vale la pena documentar en lugar de dejarlo pasar. Grok 4.7 es un generalista que se ha convertido en especialista: sus avances se concentran en codificación agéntica de horizonte largo y trabajo de conocimiento, y son casi invisibles en el benchmark agregado. C​laude M​ythos 5 ha sido un especialista desde el día en que se lanzó, el 9 de junio de 2026 —el buque insignia restringido de ciberseguridad y biología de A​nthropic, clasificado ASL-3, actualizado como C​laude M​ythos 5.1 el 1 de septiembre, con un precio del nivel M​ythos de $10,00 de entrada / $50,00 de salida por millón de tokens, y disponible mediante un programa de verificación en lugar de una lista de precios. Uno de estos modelos puedes comprarlo. El otro puedes solicitarlo. Todo lo demás en esta comparación es consecuencia de esa frase.

Qué es cada modelo, y quién te permitirá llamarlo

Grok 4.7 es el actual buque insignia de S​paceXAI para programación, tareas agénticas y trabajo de conocimiento, y sucede a Grok 4.6 con un precio idéntico y una ventana de contexto idéntica. El proveedor escribe su nombre como S​paceXAI tanto en la documentación para desarrolladores como en la página de noticias, mientras que la API todavía se sirve desde api.x.ai y los identificadores siguen siendo de grok — vale la pena saberlo porque las búsquedas de cualquiera de los dos nombres llegan al mismo producto. Se lanza en vivo en Cursor y en el agente de terminal G​rok Build de la propia empresa, y el proveedor lo posiciona como la recomendación predeterminada para todo excepto el trabajo de audio, imagen y video. La afirmación que hace el proveedor es más limitada y específica que una propuesta de propósito general: es fuerte en ingeniería de software de larga duración y en verificar su propio trabajo.

Claude Mythos 5 es el SKU restringido de la generación frontera del 9 de junio de Anthropic, que comparte los pesos subyacentes con el Claude Fable 5 público y solo difiere de él en el nivel de salvaguarda — los clasificadores de ciber y biología que permanecen activados en el modelo Fable. Anthropic lo clasifica como ASL-3, el nivel que reserva para capacidades que podrían potenciar de forma significativa la ciberofensiva, y raciona el acceso en consecuencia. Su reputación se basa en hallazgos de red team en lugar de en una tabla de benchmark publicada: un fallo de OpenBSD no descubierto de unos 27 años, una vulnerabilidad de FFmpeg que había sobrevivido unos 16 años y cinco millones de escaneos automatizados, un exploit de navegador que encadena cuatro vulnerabilidades para escapar tanto del renderizador como de las sandboxes del sistema operativo, y una escalada de privilegios del kernel de Linux.

• Contexto y salida — 500.000 tokens con hasta 450.000 de salida para Grok 4.7 frente a 1M de tokens con una salida máxima de 128K para Claude Mythos 5.

• Precio por millón — $2.00 de entrada / $6.00 de salida por debajo de 200,000 tokens de entrada para Grok 4.7, y sube a $4.00 / $12.00 por encima de ese umbral, frente a la tarifa plana de $10.00 / $50.00 del nivel M​ythos.

• Lectura de caché — $0,50 por millón para Grok 4.7, que se duplica a $1,00 una vez superado el límite de 200.000 tokens, frente a $1,00 por millón en la generación Mythos de junio y $0,25 después de la actualización de septiembre.

• Modalidad — entrada de texto, imagen y archivo con salida de texto en ambos.

• Control de razonamiento — esfuerzo configurable en cuatro niveles para Grok 4.7 frente al pensamiento adaptativo que no se puede desactivar en C​laude M​ythos 5.

• Acceso — una clave de autoservicio más las aplicaciones propias del proveedor frente a una solicitud mediante el Programa de Verificación Cibernética o el Programa de Verificación de Ciencias de la Vida, con un requisito de retención de datos de 30 días.

Esas dos filas de precios son donde la lectura habitual falla. En la etiqueta, Grok 4.7 es una quinta parte de la tarifa de M​ythos. En un prompt largo, es un poco más de un tercio, porque el límite del nivel cae en 200.000 tokens y este es un modelo que se vende con una ventana de 500.000 tokens.

Los tres números independientes, leídos correctamente

Empieza por el que recibió menos atención, porque es el más grande. En AA-Briefcase, el tablero del evaluador para trabajo de conocimiento de horizonte largo, Grok 4.7 queda cuarto en general, por detrás de tres entradas de C​laude, y por delante de Claude Opus 5 con esfuerzo xhigh — a aproximadamente la mitad del coste por tarea de Claude Opus 5. Sea lo que sea cierto sobre este lanzamiento, eso es un resultado de precio-rendimiento más que una brecha de capacidad, y es la primera vez que un modelo G​rok produce uno en ese tablero.

El número del Coding Agent Index pertenece a la misma historia. Nueve puntos por encima de Grok 4.6 en el eje de agentes de codificación frente a dos puntos en el índice general no es ruido; indica que el trabajo de entrenamiento se orientó específicamente hacia el comportamiento agéntico y de codificación, y que lo que haya mejorado no se transfiere a un compuesto amplio de diez evaluaciones. El índice general es el número que imprime una tabla de clasificación. El número del agente de codificación es el que realmente experimenta un equipo que ejecuta bucles largos de herramientas.

Luego está la discrepancia entre el proveedor y el evaluador sobre el mismo benchmark, que es la parte que vale la pena recordar cada vez que leas una tabla de lanzamiento. La propia cifra de S​paceXAI en Terminal-Bench 4.0 para Grok 4.7 es del 38 %. La ejecución independiente de Artificial Analysis del mismo benchmark la situó en el 33 %. Cinco puntos, en la misma dirección, en un solo eje, para un solo modelo — y ninguna de las partes miente. Los benchmarks agénticos miden un modelo más un andamiaje, la configuración del harness varía y las ejecuciones repetidas se mueven. Así se ve una dispersión de cinco puntos cuando nadie está haciendo trampa. Ponla junto a cualquier cifra única de proveedor que veas, incluida la de A​nthropic.

Lo que lleva esto al lado de M​ythos y a la razón por la que la comparación no se puede completar. A​nthropic no publica ninguna tabla de benchmarks para C​laude M​ythos 5. No todas las cifras que circulan con ese nombre provienen del proveedor:

• ExploitBench, 78,0 % — la propia cifra de lanzamiento de Anthropic en junio, aproximadamente el doble del 40 % que citó para Claude Opus 4.8. Reportada por el proveedor, no reproducida.

• CyberGym Level 1, 83.8% — el número que con más frecuencia se imprime junto a este modelo, y no se origina en A​nthropic. Aparece en material comparativo de la competencia con su propio interés de encuadre.

• Terminal-Bench 4.0 — 42,0 % para la generación de junio y 60,9 % para C​laude M​ythos 5.1, según el material de actualización de septiembre de A​nthropic.

Fíjate en lo que esa tercera fila le hace a la comparación. En el único benchmark para el que ambas pistas tienen una cifra, el 60,9 % de C​laude M​ythos 5.1 está muy por encima del 33 % de Grok 4.7 medido de forma independiente. Aun así, no se pueden restar: una es una cifra del proveedor obtenida con su propio arnés; la otra es de un tercero, y se ejecutaron en momentos distintos y con configuraciones distintas. Pero la diferencia es lo bastante grande como para que sea improbable que se trate por completo de un artefacto, y es una advertencia clara de que un modelo con un micrófono de propósito general no está compitiendo en el eje para el que existe el nivel M​ythos.

La verbosidad es la línea de coste que nadie imprime

La lista de tarifas de Grok 4.7 es lo más barato que tiene, y su verbosidad es lo más caro. Artificial Analysis midió un aumento del 113 % en el uso de tokens de razonamiento respecto a Grok 4.6, con aproximadamente 81.000 tokens de salida consumidos por tarea agéntica. Contraste eso con un modelo que relee el contexto en lugar de un modelo que lo vuelve a derivar, y las dos estructuras de costos dejan de parecerse en absoluto: Grok 4.7 es barato por token y caro por tarea en trabajos agénticos largos, mientras que el nivel M​ythos es caro por token y su economía depende por completo del comportamiento de la caché, por lo que la actualización de septiembre de A​nthropic redujo la lectura de caché de $1.00 a $0.25 y la presentó como hasta aproximadamente un 45 % más barata en cargas de trabajo altamente agénticas.

Una salida de 81.000 tokens a una tarifa de 6,00 dólares por millón es aproximadamente 49 centavos de salida por una tarea. En la ventana de 500.000 tokens que vende este modelo, un prompt que supera los 200.000 tokens duplica la tarifa de entrada y, con ello, duplica la tarifa de caché. Ninguno de los dos números es un defecto —pensar más tiempo es como mejoran los modelos de razonamiento—, pero una tabla de tarifas es un precio por token y tu factura es un precio por tarea, y el multiplicador entre ambos difiere más de lo que difiere la brecha de tarifas.

Lo que el 6 de octubre cambió, y lo que no

El 6 de octubre de 2026, A​nthropic reconstruyó el Programa de Verificación Cibernética en tres niveles basados en solicitudes, integró Project Glasswing en el nivel superior y convirtió C​laude M​ythos 5.1 de una asignación exclusiva para socios en una concesión de acceso que puede solicitar cualquier organización de seguridad que cumpla los requisitos. C​laude Opus 5.5 y C​laude S​onnet 5.5 se incorporaron a todos los niveles al mismo tiempo. A​nthropic responde a las solicitudes de Defense Access en unos pocos días, Red Team Access tarda unas semanas y el propio acceso a M​ythos llega aproximadamente cinco días hábiles después de la aprobación. Todo ello según el proveedor y sin confirmación independiente, y el criterio sigue siendo un estándar de verificación en lugar de un precio.

Lo que eso significa frente a Grok 4.7 en concreto es limitado. Para un equipo de seguridad autorizado, esta es la primera vez que la vía M​ythos ha tenido una puerta de entrada, y la comparación se vuelve real por primera vez en la historia de este modelo. Para todos los demás —programación, trabajo del conocimiento, bucles largos de herramientas, el trabajo para el que está construido Grok 4.7—, el lado de A​nthropic de este enfrentamiento sigue cerrado, y la lectura justa es que nunca fue la comparación correcta que se debía hacer. La generación del 9 de junio fue suspendida en todo el mundo dos días después de su lanzamiento por una orden del Departamento de Comercio de EE. UU. y solo se restableció para un conjunto limitado de organizaciones estadounidenses verificadas alrededor de principios de julio; toda la existencia del modelo ha estado marcada por esa restricción, y ninguna cantidad de lectura de benchmarks cambia quién tiene permitido entrar.

La respuesta de enrutamiento, que es la única disponible hoy

Grok 4.7 está en el catálogo de OrcaRouter a las tarifas propias de SpaceXAI: $2,00 de entrada y $6,00 de salida por millón, $0,50 en caché, con el límite de nivel de 200.000 tokens y su escalón de $4,00 / $12,00 trasladados exactamente tal como los publica el proveedor, transferidos con un 0% de margen, por lo que un cambio de tarifa se refleja aquí el mismo día en que se publica. Esa precisión importa más en este modelo que en la mayoría, porque el precipicio a los 200.000 tokens es la mayor discontinuidad de precios en esta comparación, y un router que lo aplanara en un promedio te engañaría sobre tu propia factura.

La segunda cosa que hace la capa de enrutamiento es que el problema de la verbosidad sea barato de comprobar en lugar de caro de asumir. Una salida promedio de 81.000 tokens es un promedio, y tu tráfico puede situarse muy por encima o muy por debajo de él. Ejecutar Grok 4.7 con tu propia carga de trabajo es la única medición que responde si resulta barato o caro para ti, y hacerlo sin una segunda integración significa que la respuesta cuesta una tarde. Conmutación por error automática entre proveedores cubre la otra mitad: un modelo de razonamiento que piensa más bajo carga es el que más probabilidades tiene de agotar un tiempo de espera, y una ruta que entrega la solicitud a otro backend en lugar de devolver un error vale más aquí que en un modelo rápido.

Si la capacidad que querías de C​laude M​ythos 5 era la clase M​ythos en lugar del nivel de salvaguardas reducido, el modelo restringido no puede enrutarse al público y ningún cambio de plataforma hace que eso cambie. Su gemelo sin restricciones sí puede: Claude Fable 5.1 tiene exactamente los mismos pesos subyacentes, con las salvaguardas activadas, en el mismo catálogo al precio de lista de A​nthropic de $10.00 / $50.00, con la lectura de caché de $0.25 de la actualización de septiembre ya aplicada, y cambiar entre él y Grok 4.7 es solo un cambio en la cadena del modelo.

El veredicto es más limitado de lo que sugiere el título, y merece la pena decirlo con claridad. Para trabajo agéntico general, Grok 4.7 es el único de estos dos al que puedes llamar, y la evidencia independiente dice que su ventaja sobre su predecesor se concentra exactamente donde lo usarías —lo cual es una mejor señal de lo que habría sido una amplia ganancia de dos puntos en un índice. Claude Mythos 5 es el modelo más fuerte en el único eje sobre el que alguien lo ha medido, y ese eje es el trabajo de seguridad dentro de un programa validado. Si tu trabajo no es eso, la pregunta interesante no es Mythos frente a Grok; es si el coste por tarea de Grok 4.7 en tu propio tráfico es inferior al del modelo que ejecutas ahora.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.