Tarjeta de título generada para Claude Opus 5.5 frente a Grok 4.8 con tres chips que dicen 'Grok 4.8: no se ha publicado ningún ID de modelo', 'en aprendizaje por refuerzo, 10 nov 2026' y 'invocable más cercano: Grok 4.7', además de un pie de página que indica que la documentación para desarrolladores de SpaceXSI se verificó el 19 de noviembre de 2026. Logotipo de OrcaRouter en la esquina inferior derecha.
Guides & Insights

Claude Opus 5.5 vs Grok 4.8: un modelo al que puedes llamar, una promesa que no

Autor

Gideon Frost

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

El CEO de la empresa que está construyendo Grok 4.8 fue preguntado directamente cómo se compara con Claude Opus 5.5. Su respuesta, en X el 10 de noviembre de 2026, es lo más útil que alguien ha publicado sobre este enfrentamiento: «No es tan bueno. Opus 5.5 es una obra maestra. Pero Grok 5 debería superar a Opus 5.5 y quizá eso ocurra en 2 o 3 meses, con una aceleración continua a partir de entonces». Eso es Elon Musk admitiendo la comparación, y también es, doce días después, todo el registro público sobre la capacidad de Grok 4.8.

Porque Grok 4.8 no es un modelo al que puedas invocar. La propia documentación para desarrolladores de SpaceXSI —la lista de modelos, la página de precios y las notas de la versión, todas consultadas el 19 de noviembre de 2026— incluye grok-4.7 como su entrada más reciente y no tiene ninguna grok-4.8 fila en absoluto: ni identificador, ni tabla de tarifas, ni ventana de contexto, ni evaluación publicada. Artificial Analysis no tiene ninguna página para este modelo; la petición devuelve un 404. Claude Opus 5.5, en cambio, está disponible de forma general desde el 22 de septiembre de 2026 con un ID de modelo, una tabla de tarifas y ocho semanas de medición independiente.

Headless capture of SpaceXSI's Grok models and pricing documentation, showing the left-hand navigation listing 'Grok 4.7' as the latest model and the models and pricing pages, with no grok-4.8 entry in the model list.

{{1}}Así que la versión útil de esta página no es una comparación de dos hojas de especificaciones. Es una comparación de un modelo ya lanzado con un calendario anunciado, además de lo único que la admisión de Musk sí resuelve: qué ejecutar hoy.{{/2}}

La concesión vale más de lo que parece.

Los proveedores no ceden terreno en benchmarks respecto de su propio modelo no lanzado, y la salvedad que lo acompañaba —Grok 5 superará a Opus 5.5 en dos o tres meses— es una afirmación sobre un modelo distinto del que aparece en el título de este artículo. Ninguna de las dos afirmaciones viene con un benchmark, un nombre de prueba ni una fecha. Leída como un cronograma en lugar de una especificación, le dice a un desarrollador dos cosas: Grok 4.8 no será el modelo que cierre la brecha, y la propia expectativa de la empresa es que la brecha se mantenga abierta durante el primer trimestre de 2027.

Eso constituye una admisión significativa para cualquiera que actualmente esté construyendo sobre Grok 4.7 y se pregunte si conviene esperar. La respuesta del propio principal del proveedor es que esperar es una apuesta por Grok 5, no por Grok 4.8.

Por qué se ha retrasado Grok 4.8

Las publicaciones de Musk del 10 de noviembre ofrecieron una versión más específica que cualquier nota de lanzamiento. El preentrenamiento de Grok 4.8 está completo. El equipo está en la fase de aprendizaje por refuerzo y tuvo que rehacer los datos utilizados para el ajuste fino supervisado. Una de las causas declaradas del retraso es una reconstrucción de la infraestructura: SpaceXSI dejó de usar JAX y SGLang y pasó a su propio sistema de RL y a su propia pila de inferencia. Reconstruir el sustrato de entrenamiento y servicio en mitad de la fase de RL de un modelo es el tipo de decisión que aparece en un cronograma y no en un registro de cambios, y es la explicación más plausible que se ofrece para un modelo que ha estado "inminente" desde septiembre.

La comparación que debe hacerse no es con el lanzamiento de Claude Opus 5.5, que transcurrió sin sobresaltos y según lo previsto, sino con lo que esa ausencia de sobresaltos permitió conseguir: ocho semanas de identificadores estables, precios publicados y puntuaciones de terceros mientras el modelo competidor estaba inmerso en una reescritura de su pila tecnológica. La estabilidad es una característica, y es la que Grok 4.8 no ha logrado ofrecer.

Lo que realmente puedes ejecutar: Grok 4.7 frente a Opus 5.5

Grok 4.7 es el modelo que SpaceXSI te venderá mientras 4.8 termina. Se lanzó el 21 de septiembre de 2026 —un día antes de Opus 5.5— con una ventana de contexto de 500.000 tokens y un precio de lista de $2.00 por millón de tokens de entrada y $6.00 por millón de tokens de salida. Por lo tanto, ambos modelos pertenecen a la misma generación según la fecha de lanzamiento, lo que convierte a las cifras independientes en la lectura más justa disponible sobre lo que Grok 4.8 tiene que superar y sobre lo lejos que está un lanzamiento de Grok de la frontera.

• Índice de Inteligencia — Claude Opus 5.5 con 59.1 frente a Grok 4.7 con 35.5, una diferencia de 23.6 puntos.

• Coste por tarea de Index — 10,04 $ frente a 7,77 $, así que Grok 4.7 solo es un 23 % más barato por tarea finalizada pese a un precio de etiqueta un 70 % más bajo.

• Terminal-Bench 4.0 — 59,6 % frente a 25,8 %. Opus 5.5 más que duplica a Grok 4.7 en trabajo agéntico de terminal.

• Terminal-Bench-Science 0.1 — 59,0 % frente a 11,4 %.

• FrontierCode-AA 2.0 — 46,4 % frente a 28,7 %.

• HLE-Diamond — 67,9 % frente a 23,2 %.

• GDPval-AA v2.1 — 1866 Elo frente a 1717, la diferencia más estrecha aquí con 149 puntos.

• AnalystAgent — 56.3% vs 52.5%, el benchmark más cercano del conjunto.

• AA-Omniscience — 48,1 con una tasa de alucinación del 50,3 % frente a 31,2 con el 20,0 %.

• Contexto y velocidad: 1M de tokens a 117 tok/s frente a 500K de tokens a 71 tok/s.

Generated two-column scoreboard titled 'Claude Opus 5.5 vs Grok 4.7 - the scoreboard'. Left column Claude Opus 5.5 rows: Intelligence Index 59.1, cost per task $10.04, Terminal-Bench 4.0 59.6%, HLE-Diamond 67.9%, context 1M tokens, price $4 / $20. Right column Grok 4.7 rows: Intelligence Index 35.5, cost per task $7.77, Terminal-Bench 4.0 25.8%, HLE-Diamond 23.2%, context 500K tokens, price $2 / $6. Footer: both per Artificial Analysis index v5.0.1, Grok 4.8 is unscored. OrcaRouter logo bottom-right.

La distribución es la parte interesante. Grok 4.7 no es 24 puntos peor en todas partes: en GDPval, la tabla de valor económico, está dentro del 8 %, y en AnalystAgent, dentro del 4 %. Esos son los benchmarks que recompensan la amplitud de la producción profesional en lugar de la profundidad de ejecución. Donde las tareas requieren ejecutar correctamente una secuencia larga —trabajo de terminal, trabajo de terminal científico, programación agéntica—, la brecha es la más amplia del tablero. Un compuesto de 23,6 puntos es, en realidad, la descripción de una debilidad específica que se acumula a lo largo de una suite.

El costo por tarea es la cifra que incrimina los precios de Grok.

Un precio de etiqueta de $2/$6 frente a $4/$20 parece una ventaja de 2,5× en el precio de salida. Artificial Analysis midió $7,77 frente a $10,04 por tarea: un 23 %. La razón es que Grok 4.7 generó 148 M de tokens de salida en toda la suite Index frente a los 218 M de Opus 5.5, solo una ventaja de 1,5×, y los produce a 71 tok/s frente a 117.

Si se juntan ambos factores, Grok 4.7 es más verboso en relación con su precio y más lento en tiempo real, con 24,4 minutos por tarea de Index frente a 24,6. Una latencia casi idéntica por 24 puntos de índice menos de capacidad y un ahorro del 23 %: eso no es una propuesta de valor, es un descuento en un producto peor. Quien haya elegido Grok 4.7 basándose en su lista de precios ha estado pagando por ese privilegio.

{{1}}Claude Opus 5.5{{/1}} tampoco es barato: {{2}}10,04 $ por tarea{{/2}} lo sitúa en el extremo caro de la tabla, y su {{3}}tiempo de tarea de 24,6 minutos{{/3}} es realmente lento. Pero al menos con ese dinero compra algo. La comparación correcta para la eficiencia de costes en esta tabla no es entre estos dos, sino con {{4}}GPT-6.2 Sol{{/4}} a {{5}}1,01 $ por tarea{{/5}} para un {{6}}índice de 57,3{{/6}}, que es la configuración que hace que ambos parezcan mal valorados.

¿Qué tendría que ser cierto para que Grok 4.8 cambiara esto?

Esta es la parte que vale la pena leer si estás planeando una migración en lugar de una compra. Un modelo que sale de RL con un ajuste fino supervisado reelaborado puede cambiar mucho en ambas direcciones, y los benchmarks específicos en los que falla Grok 4.7 son los que el RL en tareas verificables suele corregir primero. El trabajo en terminal, la programación agéntica y la ejecución científica tienen todos recompensas comprobables por máquina, que es exactamente lo que optimiza una fase de RL. Si Grok 4.8 registra una gran mejora en Terminal-Bench frente al 25,8 % de 4.7, esa es la señal de que la ejecución de RL funcionó.

Tres cosas tendrían que aparecer antes de que algo de esto fuera accionable. Un grok-4.8 como identificador en la documentación de SpaceXSI. Una lista de precios — y ten en cuenta que una nueva pila de inferencia es una razón plausible para un cambio de precio en cualquiera de las dos direcciones. Y una evaluación publicada, porque las declaraciones del propio Musk este mes descartaron explícitamente las puntuaciones de benchmark como medida de calidad, lo que significa que es poco probable que el material del propio proveedor sobre 4.8 llegue como una tabla de números.

Hasta que existan, la estimación honesta es que Grok 4.8 se sitúe en algún punto entre Grok 4.7 y Opus 5.5, y que nadie fuera de SpaceXSI sabe dónde. Cualquier página que hoy te dé una ventana de contexto, un precio o una puntuación de Grok 4.8 se lo ha inventado.

Elegir hoy

Grok 4.8 no entra en la decisión. Claude Opus 5.5 sí, junto con Grok 4.7 y los modelos que compiten de verdad por el mismo hueco.

Si tu trabajo es ejecución agéntica de horizonte largo —agentes de programación, automatización de terminales, investigación de varios pasos—, Claude Opus 5.5 gana en todos los benchmarks de ejecución por un margen que ninguna cantidad de ingeniería de prompts logra cerrar, y cuesta alrededor de un 29 % más por tarea que Grok 4.7 por hacerlo. Es un intercambio justo y una decisión fácil.

Si tu trabajo es de amplitud profesional —análisis, redacción, tareas de valor económico—, ambos son lo bastante similares como para que el ahorro del 23 % justifique Grok 4.7, siempre que puedas aceptar una ventana de contexto de 500K en lugar de 1M y el menor recall que implica un compuesto Omniscience de 31 frente a 48.

Si desarrollas sobre Grok y quieres protegerte frente a exactamente este tipo de desliz, el patrón práctico es mantener la elección del modelo fuera de tu código. Ambos son accesibles mediante una única clave de OrcaRouter: anthropic/claude-opus-5.5 y grok/grok-4.7 —con un margen del 0 % sobre el precio de lista del proveedor, de modo que la línea de Grok 4.7 es la tarifa del propio proveedor y un cambio de precio de SpaceXSI en 4.8 se aplica el día en que se anuncia, no el día en que te das cuenta. Configura la regla de enrutamiento para preferir el modelo que tu evaluación indique que es más sólido y deja que la conmutación por error automática gestione un proveedor que deja de responder a mitad de ejecución. Cuando Grok 4.8 aparezca, añadirlo es una entrada de enrutamiento, no una migración.

Headless capture of OrcaRouter's model page for grok/grok-4.7, showing the model name and its sections for code samples, pricing, performance and public benchmarks.

La conclusión, tal como es

Musk dijo que Grok 4.8 no es tan bueno como Claude Opus 5.5, y luego dijo que Grok 5 podría serlo, en dos o tres meses. Si se toma al pie de la letra, eso es una ventana de dos trimestres en la que el modelo de frontera para la ejecución agéntica es el que se lanzó en septiembre. Planifica en consecuencia y considera cualquier anuncio de Grok 4.8 como un motivo para volver a ejecutar tu evaluación en lugar de un motivo para reescribir tu integración.

Comparados en este artículo1

Detectado en este artículo · Benchmarks: Artificial Analysis · actualizado a diario