Ripple 65B Preview vs Grok 4.7 : à quel benchmark croyez-vous réellement ?

Ripple 65B Preview a été lancé le 4 novembre 2026 avec une histoire de taille : un modèle à pondération ouverte de 65 milliards de paramètres de Ricursive Intelligence qui bat Muse Spark Open (816 Md) de Meta, Inkling (975 Md) de Thinking Machines et Nemotron 3 Ultra (550 Md) de NVIDIA sur le codage agentique. Grok 4.7 raconte une autre histoire. C'est un modèle fermé de xAI, publié le 21 septembre 2026 ; il obtient 35 sur l'Intelligence Index v5.0.1 d'Artificial Analysis — le plus bas de tous les modèles proches de la frontière dans cette gamme de prix — et il bat tout de même Ripple 65B Preview de 27 points sur le seul benchmark de codage que les deux laboratoires ont publié à la même version. Deux modèles, deux histoires de benchmarks, qui pointent dans des directions opposées. La question intéressante n'est pas de savoir quel modèle est le meilleur. C'est de savoir sur quelle mesure vous êtes prêt à parier une charge de travail de production.

L'inversion, dite simplement

La fiche de Grok 4.7 rapporte DeepSWE v1.1 à 71,0. La fiche de Ripple rapporte 44,3. Même benchmark, même version, les deux déclarés par le fournisseur, aucune ambiguïté de harnais à discuter. Grok l’emporte de 26,7 points sur le travail d’agent en ingénierie logicielle.

Maintenant, dans l'autre sens. Ripple rapporte Terminal-Bench 2.1 à 80,52. Grok rapporte Terminal-Bench 4.0 à 38,0. Ces chiffres ne sont pas comparables — 2.1 est un correctif de 89 tâches apporté à l'ensemble 2.0, 4.0 est un ensemble de tâches reconstruit avec des contrôles anti-triche adversariaux et un délai d'expiration de huit heures qui a fait s'effondrer chaque score de pointe au contact — mais l'écart est si important dans ce sens que la version seule ne l'explique probablement pas. Le 38,0 de Grok est faible, même pour 4.0 ; Claude Opus 5.5 y rapporte 66,4 et GPT-6.1 Sol environ 55.

Ainsi, la même paire de modèles produit un avantage de 27 points pour Grok sur un benchmark et un avantage de 42 points pour Ripple sur un autre. L’un de ces deux examens mesure quelque chose que l’autre ne mesure pas, et un acheteur doit savoir lequel ressemble à sa charge de travail.

Ce que récompensent respectivement Terminal-Bench et DeepSWE

Terminal-Bench est un benchmark de tâches shell. L'agent reçoit un conteneur, un objectif et une limite de temps, et est évalué sur l'exactitude de l'état final du système de fichiers et des services. La version 2.1 a corrigé 28 des 89 tâches pour des dépendances cassées, des inadéquations de ressources et des spécifications erronées ; la version 4.0 écarte huit tâches, en corrige dix-neuf autres et ajoute des contrôles de résistance à la falsification précisément parce que des agents trouvaient des moyens de réussir sans faire le travail. Une étude du Berkeley RDI a montré qu'un agent d'exploitation automatisé atteignait 100 % sur SWE-bench Pro et Terminal-Bench sans résoudre une seule tâche, en écrasant le parseur ou en trojanisant curl à l'intérieur du conteneur. Chaque montée de version depuis lors a été une course aux armements contre cela.

DeepSWE a une autre configuration : de l'ingénierie logicielle sur horizon long, sur de vrais dépôts, où l'agent doit maintenir un plan au fil de nombreuses modifications. Cela récompense davantage la persévérance et la gestion du contexte qu'un travail astucieux en shell. Un modèle peut exceller dans l'un et être médiocre dans l'autre, et les deux laboratoires mentionnés ici semblent avoir optimisé chacun une moitié différente.

C'est la chose la plus utile dans cette comparaison. Si vos agents vivent dans des conteneurs et effectuent du travail système — builds, migrations, réparation d'infrastructure — c'est le classement Terminal-Bench qui est pertinent, et le 80,5 de Ripple compte. Si vos agents modifient une grande base de code sur des centaines de tours, DeepSWE est plus proche de la tâche, et le 71,0 de Grok compte.

Le profil réel de Grok 4.7

Grok 4.7 est un modèle de raisonnement doté de quatre niveaux d’effort — faible, moyen, élevé et xhigh — où élevé est la valeur par défaut et le raisonnement ne peut pas être totalement désactivé. C’est inhabituel, et cela a une conséquence sur le coût : chaque appel paie des jetons de réflexion, que la tâche en ait besoin ou non. Le modèle dispose d’une fenêtre de contexte de 500 000 jetons, accepte du texte et des images, et renvoie du texte.

• Prix — Grok : 2,00 $ en entrée / 6,00 $ en sortie par million en dessous de 200 K d’entrée, 4,00 $ / 12,00 $ au-dessus ; Ripple n’a pas de prix catalogue, les tarifs hébergés avoisinent 0,20 $ / 0,60 $.

• Contexte — Grok 500K vs Ripple jusqu’à 1M annoncé

• Score indépendant — Grok 35 sur l’indice AA v5.0.1 à 7,77 $ par tâche d’index ; Ripple non classé

• Vitesse de sortie — Grok 72 tok/s mesurés ; Ripple 250 tok/s annoncés sur 2×B200

• Licence — Grok propriétaire, API uniquement ; Ripple Apache 2.0

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

• Sortie — Grok 21 septembre 2026 vs Ripple 4 novembre 2026

Le seuil de 200 000 jetons est le détail de facturation qui piège les gens : le franchir refacture toute la requête au tarif supérieur, pas seulement le dépassement. Un appel de 210 K jetons coûte deux fois ce que coûte un appel de 199 K jetons. Avec une fenêtre de 500 K et le raisonnement toujours activé, il est facile de le déclencher accidentellement.

Le piège de la production à bas coût

Six dollars par million de tokens de sortie, c'est le tarif le plus bas parmi les modèles fermés de cette comparaison — Opus 5.5 est à 20 $, Sol et Argon à 10 $ — et c'est le chiffre sur lequel s'appuie l'argumentaire de Grok. C'est aussi le chiffre le plus susceptible d'induire en erreur.

Deux choses rognent cet avantage. Premièrement, le raisonnement est obligatoire, si bien qu’une part significative de ce qui vous est facturé correspond à une réflexion que vous n’avez pas demandée. Artificial Analysis mesure Grok 4.7 à 7,77 $ de calcul par tâche de l’indice, soit six fois les 1,27 $ de GPT-6.1 Sol, et n’est supérieur aux 10,04 $ d’Opus 5.5 que d’un cheveu — malgré un prix de sortie affiché égal à un tiers de celui d’Opus. Deuxièmement, le modèle consommerait environ deux fois plus de tokens par tâche que Grok 4.6 pour un travail similaire. Des tokens bon marché multipliés par davantage de tokens ne constituent pas une économie.

L’économie de Ripple présente une forme inverse et est tout aussi facile à mal interpréter. Il n’y a aucune grille tarifaire : les poids sont sous Apache 2.0 et le coût, ce sont les GPU. À 250 tokens par seconde sur deux B200 en BF16, le débit par dollar est excellent si vous gardez les GPU occupés et désastreux sinon. Les tarifs hébergés, proches de 0,20 $ en entrée et 0,60 $ en sortie, correspondent à l’amortissement, par quelqu’un d’autre, de exactement cet arbitrage.

Le travail sur le long terme, où les chiffres de Grok sont les plus solides

Les lignes sur lesquelles le lancement de Grok a mis l’accent étaient celles du marathon : SWE-Marathon v1.1 à 46,0, contre 31,9 pour Grok 4.6, FrontierSWE V2 à 29,5, et CursorBench 4.0 à 46,3 contre 40,4. Ce sont des benchmarks qui mesurent l’effort soutenu au sein d’une seule tâche longue, et ils se sont bien plus améliorés entre 4.6 et 4.7 que les scores en tour unique. Le cadrage de xAI lui-même — même prix, horizons plus longs — est exact.

La riposte de Ripple est architecturale. Un modèle dense de 80 couches doté d'une fenêtre de 1 M, entraîné par étapes de contexte long à 2 M de tokens, est conçu pour gérer un large ensemble de travail, et un modèle dense de 65 B n'a pas de routage d'experts susceptible de défaillir à l'échelle. Savoir si cela se traduit par un meilleur comportement sur un horizon long est précisément la question à laquelle aucun benchmark publié ne répond, car Ripple n'a été exécuté ni sur SWE-Marathon ni sur FrontierSWE.

Que faire de ceci

Ne choisissez pas entre ces deux options en vous fondant sur un graphique de benchmark. Choisissez selon la nature du travail et la structure de la facture.

Le travail sur les systèmes conteneurisés, la possibilité d’exécuter ses propres GPU et une exigence de licence qui met fin à la discussion avec une API fermée : Ripple 65B Preview est la bonne expérience, et son 80,5 sur Terminal-Bench 2.1 — une comparaison à périmètre égal avec les autres modèles à poids ouverts de ce graphique — en est la preuve. L’édition à l’échelle d’un dépôt sur de longs horizons : le 71,0 de Grok 4.7 sur DeepSWE est le signal le plus fort, à version identique, dans un sens comme dans l’autre, et ses scores marathon le confirment.

Grok 4.7 est aujourd'hui routable via OrcaRouter au prix catalogue de xAI, avec 0 % de marge, aux côtés de plus de 200 autres modèles sur une seule clé — y compris les quatre niveaux d'effort, de sorte qu'un appel de triage bon marché et une escalade xhigh peuvent se trouver derrière le même point de terminaison, avec un basculement automatique en cas de dégradation de xAI. Cela compte plus que d'ordinaire pour Grok, car son coût par tâche est dominé par le volume de tokens plutôt que par le prix catalogue ; router les appels faciles vers un modèle moins cher modifie la facture combinée bien plus que ne le fait le tarif de 6 $. Ripple ne figure pas au catalogue, cette répartition particulière n'est donc pas disponible pour lui.

Le chiffre qui trancherait cette comparaison n’existe pas encore : Ripple 65B Preview n’a pas été réévalué sur DeepSWE par un harnais neutre et n’a pas d’entrée dans Artificial Analysis. D’ici là, la seule chose honnête à dire est que Grok 4.7 est mesurablement meilleur pour le travail sur des dépôts longs et que Ripple est mesurablement meilleur pour les tâches shell, et que le benchmark dont vous reconnaissez le nom n’est pas automatiquement celui auquel votre charge de travail ressemble.