Ripple 65B Preview vs Grok 4.7: ¿En qué benchmark realmente crees?

Ripple 65B Preview se lanzó el 4 de noviembre de 2026 con una historia sobre tamaño: un modelo de pesos abiertos de 65 mil millones de parámetros de Ricursive Intelligence que supera a Muse Spark Open de 816B de Meta, Inkling de 975B de Thinking Machines y Nemotron 3 Ultra de 550B de NVIDIA en codificación agéntica. Grok 4.7 cuenta una historia diferente. Es un modelo cerrado de xAI lanzado el 21 de septiembre de 2026, obtiene 35 en el Intelligence Index v5.0.1 de Artificial Analysis —el más bajo de cualquier modelo adyacente a la frontera en este rango de precios— y aun así supera a Ripple 65B Preview por 27 puntos en el único benchmark de codificación que ambos laboratorios publicaron en la misma versión. Dos modelos, dos historias de benchmark, que apuntan en direcciones opuestas. La pregunta interesante no es qué modelo es mejor. Es en qué medición estás dispuesto a apostar una carga de trabajo de producción.

La inversión, dicha claramente

La tarjeta del {{1}}Grok 4.7{{/1}} reporta {{2}}DeepSWE v1.1{{/2}} en 71,0. La tarjeta de {{3}}Ripple{{/3}} reporta 44,3. Mismo benchmark, misma versión, ambos reportados por el proveedor, sin ambigüedad de harness que discutir. {{4}}Grok{{/4}} gana por 26,7 puntos en trabajo de agentes de ingeniería de software.

Ahora, la otra dirección. Ripple reporta Terminal-Bench 2.1 en 80.52. Grok reporta Terminal-Bench 4.0 en 38.0. No son comparables —2.1 es un parche de 89 tareas del conjunto 2.0, 4.0 es un conjunto de tareas reconstruido con comprobaciones contra trampas adversariales y un tiempo límite de ocho horas que hizo colapsar toda puntuación de frontera al primer contacto—, pero la dirección de la brecha es tan grande que probablemente la versión por sí sola no la explique. El 38.0 de Grok es bajo incluso para 4.0; Claude Opus 5.5 reporta 66.4 allí y GPT-6.1 Sol alrededor de 55.

Así que el mismo par de modelos produce una victoria de 27 puntos para Grok en un benchmark y una victoria de 42 puntos para Ripple en otro. Uno de esos dos exámenes mide algo que el otro no, y un comprador necesita saber cuál se parece a su carga de trabajo.

Qué recompensa cada uno: Terminal-Bench y DeepSWE

Terminal-Bench es un benchmark de tareas de shell. El agente recibe un contenedor, un objetivo y un límite de tiempo, y se le puntúa en función de si el estado final del sistema de archivos y de los servicios es correcto. La versión 2.1 corrigió 28 de las 89 tareas por dependencias rotas, desajustes de recursos y especificaciones incorrectas; la versión 4.0 descarta ocho tareas, corrige diecinueve más y añade comprobaciones de resistencia a la manipulación específicamente porque los agentes estaban encontrando formas de aprobar sin hacer el trabajo. Un estudio de Berkeley RDI mostró que un agente de explotación automatizado alcanzaba el 100 % en SWE-bench Pro y Terminal-Bench sin resolver ni una sola tarea, sobrescribiendo el analizador o troyanizando curl dentro del contenedor. Cada actualización de versión desde entonces ha sido una carrera armamentística contra eso.

DeepSWE tiene una forma distinta: ingeniería de software de horizonte largo sobre repositorios reales, donde el agente tiene que mantener un plan a lo largo de muchas ediciones. Recompensa la persistencia y la gestión del contexto más que el trabajo ingenioso en la shell. Un modelo puede ser excelente en una y mediocre en la otra, y los dos laboratorios aquí parecen haber optimizado mitades diferentes.

Eso es lo más útil de esta comparación. Si tus agentes viven en contenedores haciendo trabajo de sistemas —compilaciones, migraciones, reparación de infraestructura—, el orden de Terminal-Bench es el relevante y el 80.5 de Ripple importa. Si tus agentes editan una base de código grande a lo largo de cientos de turnos, DeepSWE se acerca más a la tarea y el 71.0 de Grok importa.

El perfil real de Grok 4.7

Grok 4.7 es un modelo de razonamiento con cuatro niveles de esfuerzo —bajo, medio, alto y xhigh—, en el que alto es el predeterminado y el razonamiento no puede desactivarse por completo. Eso es inusual y tiene una consecuencia en el costo: cada llamada paga por tokens de pensamiento, tanto si la tarea los necesita como si no. El modelo tiene una ventana de contexto de 500.000 tokens, acepta texto e imágenes y devuelve texto.

• Precio — Grok: $2.00 de entrada / $6.00 de salida por millón por debajo de 200K de entrada; $4.00 / $12.00 por encima; Ripple no tiene precio de lista, las tarifas del servicio alojado rondan los $0.20 / $0.60

• Contexto — Grok 500K vs. Ripple, con hasta 1M declarado

• Puntuación independiente — Grok 35 en el índice AA v5.0.1 a $7.77 por tarea del índice; Ripple sin clasificar

• Velocidad de salida — Grok: 72 tok/s medidos; Ripple: 250 tok/s declarados en 2×B200

• Licencia — Grok propietario, solo API; Ripple Apache 2.0

• DeepSWE v1.1 — Grok 71.0 frente a Ripple 44.3

• Lanzamiento — Grok 21 de septiembre de 2026 vs Ripple 4 de noviembre de 2026

El umbral de 200.000 tokens es el detalle de facturación que sorprende a la gente: superarlo vuelve a facturar toda la solicitud a la tarifa más alta, no solo el exceso. Una llamada de 210 000 tokens cuesta el doble que una de 199 000 tokens. Con una ventana de 500 000 y el razonamiento siempre activado, es fácil superarlo accidentalmente.

La trampa de la producción barata

Seis dólares por millón de tokens de salida es la tarifa más baja entre los modelos cerrados de esta comparativa —Opus 5.5 cuesta $20, y Sol y Argon, $10—, y es la cifra en la que se apoya el discurso de venta de Grok. También es la cifra que más probabilidades tiene de inducir a error.

Dos cosas se comen la ventaja. Primero, el razonamiento es obligatorio, así que una parte significativa de lo que se te factura es pensamiento que no solicitaste. Artificial Analysis mide Grok 4.7 en $7.77 de cómputo por tarea de índice, lo que es seis veces los $1.27 de GPT-6.1 Sol y solo un pelo más alto que los $10.04 de Opus 5.5 —a pesar de una tasa de salida nominal de un tercio de la de Opus. Segundo, se informa que el modelo consume aproximadamente el doble de tokens por tarea que Grok 4.6 para un trabajo similar. Tokens baratos multiplicados por más tokens no es un ahorro.

La economía de Ripple tiene la forma opuesta y es igual de fácil de malinterpretar. No hay ninguna lista de precios: los pesos son Apache 2.0 y el costo son las GPU. A 250 tokens por segundo en dos B200s en BF16, el rendimiento por dólar es excelente si mantienes las GPU ocupadas y terrible si no lo haces. Las tarifas alojadas de casi $0.20 de entrada y $0.60 de salida son la amortización que hace otro de exactamente esa disyuntiva.

El trabajo de largo horizonte, donde las cifras de Grok son más sólidas

Las filas que el lanzamiento de Grok destacó fueron las de maratón: SWE-Marathon v1.1 con 46,0, frente a 31,9 de Grok 4.6; FrontierSWE V2 con 29,5; y CursorBench 4.0 con 46,3 frente a 40,4. Son benchmarks sobre el esfuerzo sostenido dentro de una única tarea larga, y mejoraron mucho más entre 4.6 y 4.7 que las puntuaciones de un solo turno. El propio planteamiento de xAI —mismo precio, horizontes más largos— es preciso.

La contrapropuesta de Ripple es arquitectónica. Un modelo denso de 80 capas con una ventana de 1M, entrenado mediante etapas de contexto largo de 2M tokens, está construido para sostener un conjunto de trabajo amplio, y un modelo denso de 65B no tiene enrutamiento de expertos que pueda fallar a escala. Si eso se traduce en un mejor comportamiento a largo horizonte es exactamente lo que ningún benchmark publicado responde, porque Ripple no se ha ejecutado en SWE-Marathon ni en FrontierSWE.

Qué hacer con esto

No elijas entre estos dos por un gráfico de benchmark. Elige por la forma del trabajo y la forma de la factura.

Trabajo con sistemas basados en contenedores, la capacidad de ejecutar tus propias GPUs y un requisito de licencia que zanja la conversación con una API cerrada: Ripple 65B Preview es el experimento correcto, y su 80.5 en Terminal-Bench 2.1 —una comparación en igualdad de condiciones con los demás modelos de pesos abiertos de ese gráfico— es la prueba de ello. Edición a escala de repositorio en horizontes largos: el 71.0 de Grok 4.7 en DeepSWE es la señal de misma versión más fuerte en cualquiera de las dos direcciones, y sus puntuaciones de maratón lo respaldan.

Grok 4.7 ya se puede enrutar hoy a través de OrcaRouter al precio de lista de xAI con un 0 % de recargo, junto con más de 200 otros modelos con una sola clave, incluidos los cuatro niveles de esfuerzo, de modo que una llamada de triaje económica y una escalada xhigh pueden estar detrás del mismo endpoint, además de conmutación automática por error si xAI se degrada. Eso importa más de lo habitual en el caso de Grok, porque su coste por tarea está dominado por el volumen de tokens más que por el precio de lista; enrutar las llamadas fáciles a un modelo más barato cambia la factura combinada mucho más de lo que lo hace la tarifa de 6 $. Ripple no está en el catálogo, así que esa división concreta no está disponible para él.

El número que zanja esta comparación todavía no existe: Ripple 65B Preview no tiene una nueva ejecución de DeepSWE por parte de un arnés neutral ni una entrada en Artificial Analysis. Hasta que la tenga, lo único honesto que se puede decir es que Grok 4.7 es mediblemente mejor en trabajo con repositorios largos y Ripple es mediblemente mejor en tareas de shell, y que el benchmark cuyo nombre reconoces no es automáticamente el que se parece a tu carga de trabajo.