Claude Mythos 5 vs Grok 4.7: Tiga Angka Independen yang Tidak Sepakat

Artificial Analysis memberi skor Grok 4.7 tiga kali pada sore yang sama dan mendapat tiga jawaban yang menunjuk ke arah berbeda: 46 pada Intelligence Index-nya — dua poin di atas Grok 4.6 — 56 pada Coding Agent Index-nya, unggul sembilan poin, dan 1.657 Elo pada AA-Briefcase, unggul 111 poin. Sebaran itu adalah hal paling menarik dari rilis S​paceXAI 21 September 2026, dan itu juga alasan pertandingan melawan C​laude M​ythos 5 ini layak dicatat alih-alih dilewatkan begitu saja. Grok 4.7 adalah generalis yang telah menjadi spesialis: peningkatannya terkonsentrasi pada coding agentik berhorizon panjang dan pekerjaan pengetahuan, dan hampir tak terlihat pada tolok ukur agregat. C​laude M​ythos 5 telah menjadi spesialis sejak hari dirilis pada 9 Juni 2026 — produk unggulan terbatas untuk siber dan biologi milik A​nthropic, terklasifikasi ASL-3, diperbarui sebagai C​laude M​ythos 5.1 pada 1 September, dengan harga tingkat M​ythos $10,00 input / $50,00 output per juta token, dan tersedia melalui program verifikasi alih-alih daftar tarif. Salah satu dari model ini bisa Anda beli. Yang lain harus Anda ajukan. Segala hal lain dalam perbandingan ini merupakan turunan dari kalimat itu.

Apa masing-masing model itu, dan siapa yang akan mengizinkan Anda memanggilnya

Grok 4.7 adalah produk unggulan terkini S​paceXAI untuk coding, tugas agentik, dan pekerjaan pengetahuan, menggantikan Grok 4.6 pada harga yang identik dan jendela konteks yang identik. Vendor menuliskan namanya sebagai S​paceXAI di dokumentasi pengembang dan halaman berita, sementara API masih dilayani dari api.x.ai dan pengidentifikasinya masih menggunakan grok — patut diketahui karena pencarian untuk salah satu nama tersebut mengarah ke produk yang sama. Produk ini tersedia secara live di Cursor dan di agen terminal G​rok Build milik perusahaan sendiri, dan vendor memposisikannya sebagai rekomendasi default untuk semuanya kecuali pekerjaan audio, gambar, dan video. Klaim yang dibuat vendor lebih sempit dan lebih spesifik daripada promosi serbaguna: produk ini kuat dalam rekayasa perangkat lunak jangka panjang dan dalam memverifikasi pekerjaannya sendiri.

Claude Mythos 5 adalah SKU terbatas dari generasi terdepan Anthropic 9 Juni, berbagi bobot dasar dengan Claude Fable 5 publik dan hanya berbeda pada tingkat pengamanan — pengklasifikasi siber dan biologi yang tetap aktif pada model Fable. Anthropic mengklasifikasikannya sebagai ASL-3, tingkatan yang dicadangkannya untuk kemampuan yang secara signifikan dapat meningkatkan serangan siber, dan membatasi aksesnya sesuai dengan itu. Reputasinya bertumpu pada temuan red-team, bukan pada tabel benchmark yang dipublikasikan: bug OpenBSD yang tak terdeteksi selama sekitar 27 tahun, kerentanan FFmpeg yang bertahan sekitar 16 tahun dan lima juta pemindaian otomatis, eksploit browser yang merangkai empat kerentanan untuk lolos dari sandbox renderer dan OS, serta eskalasi hak istimewa kernel Linux.

• Konteks dan keluaran — 500.000 token dengan keluaran hingga 450.000 untuk Grok 4.7 vs 1 juta token dengan keluaran maksimum 128K untuk C​laude M​ythos 5.

• Harga per juta — $2,00 input / $6,00 output di bawah 200.000 token input untuk Grok 4.7, naik menjadi $4,00 / $12,00 di atas ambang tersebut, vs tarif tetap Mythos tier sebesar $10,00 / $50,00.

• Pembacaan cache — $0,50 per juta untuk Grok 4.7, berlipat ganda menjadi $1,00 setelah melewati batas 200.000 token, dibandingkan dengan $1,00 per juta pada generasi Mythos Juni dan $0,25 setelah pembaruan September.

• Modalitas — masukan teks, gambar, dan berkas dengan keluaran teks pada keduanya.

• Kontrol penalaran — upaya yang dapat dikonfigurasi di empat tingkat untuk Grok 4.7 vs pemikiran adaptif yang tidak dapat dinonaktifkan untuk Claude Mythos 5.

• Akses — kunci mandiri plus aplikasi milik vendor sendiri vs aplikasi melalui Cyber Verification Program atau Life Sciences Verification Program, dengan persyaratan retensi data 30 hari.

Di dua baris harga itulah pembacaan yang lazim menjadi keliru. Pada harga tertera, Grok 4.7 hanya seperlima dari tarif M​ythos. Pada prompt panjang, angkanya sedikit di atas sepertiga, karena batas tier berada di 200.000 token dan ini adalah model yang dijual dengan jendela 500.000 token.

Ketiga angka independen itu, dibaca dengan benar

Mulai dari yang paling sedikit mendapat perhatian, karena itu yang terbesar. Di AA-Briefcase, papan evaluator untuk pekerjaan pengetahuan jangka panjang, Grok 4.7 berada di peringkat keempat secara keseluruhan, di belakang tiga entri Claude, dan di depan Claude Opus 5 pada upaya xhigh — dengan biaya sekitar setengah dari biaya per tugas Claude Opus 5. Apa pun yang benar tentang rilis ini, itu adalah hasil harga-kinerja bukan kesenjangan kemampuan, dan ini adalah pertama kalinya model Grok menghasilkan hal seperti itu di papan tersebut.

Angka Coding Agent Index termasuk dalam cerita yang sama. Sembilan poin di atas Grok 4.6 pada sumbu coding-agent versus dua poin pada indeks umum bukanlah derau; itu menunjukkan bahwa kerja pelatihan diarahkan secara khusus ke perilaku agentik dan coding, dan bahwa apa pun yang meningkat tidak bertransfer ke komposit luas dari sepuluh evaluasi. Indeks umum adalah angka yang dicetak papan peringkat. Angka coding-agent adalah angka yang benar-benar dialami tim yang menjalankan loop alat panjang.

Lalu ada ketidaksepakatan antara vendor dan evaluator pada benchmark yang sama, yang merupakan bagian yang perlu diingat setiap kali Anda membaca tabel peluncuran. Angka Terminal-Bench 4.0 milik S​paceXAI sendiri untuk Grok 4.7 adalah 38%. Uji independen Artificial Analysis pada benchmark yang sama menempatkannya pada 33%. Lima poin, ke arah yang sama, pada satu sumbu, untuk satu model — dan tidak ada pihak yang berbohong. Benchmark agentik mengukur model plus scaffold, pengaturan harness berbeda, dan eksekusi berulang dapat berubah. Itulah bentuk sebaran lima poin ketika tidak ada yang curang. Bandingkan dengan angka vendor tunggal apa pun yang Anda lihat, termasuk milik A​nthropic.

Yang membawa ini ke sisi M​ythos dan alasan perbandingannya tidak dapat diselesaikan. A​nthropic tidak menerbitkan tabel benchmark untuk C​laude M​ythos 5. Angka-angka yang beredar dengan nama tersebut tidak semuanya berasal dari vendor:

• ExploitBench, 78,0% — angka peluncuran Juni dari Anthropic sendiri, kira-kira dua kali lipat dari 40% yang disebutkannya untuk Claude Opus 4.8. Dilaporkan vendor, tidak direproduksi.

• CyberGym Level 1, 83.8% — angka yang paling sering dicetak di samping model ini, dan tidak berasal dari A​nthropic. Itu muncul dalam materi perbandingan pesaing dengan kepentingan pembingkaiannya sendiri.

• Terminal-Bench 4.0 — 42,0% untuk generasi Juni dan 60,9% untuk Claude Mythos 5.1, menurut materi pembaruan September dari Anthropic.

Perhatikan apa yang dilakukan baris ketiga itu terhadap perbandingan ini. Pada satu-satunya benchmark yang kedua jalur memiliki angka untuknya, 60,9% milik Claude Mythos 5.1 jauh di atas 33% milik Grok 4.7 yang diukur secara independen. Angka-angka itu tetap tidak dapat saling dikurangkan: yang satu adalah angka vendor pada harness milik vendor itu sendiri, yang lain milik pihak ketiga, dan keduanya dijalankan pada waktu yang berbeda dengan konfigurasi yang berbeda. Namun, selisihnya cukup besar sehingga kecil kemungkinan seluruhnya merupakan artefak, dan ini adalah peringatan yang wajar bahwa model dengan mikrofon serbaguna tidak bersaing pada sumbu yang menjadi alasan kelas Mythos ada.

Verbosity adalah baris biaya yang tidak dicetak siapa pun

Kartu tarif Grok 4.7 adalah hal termurah darinya dan verbositasnya adalah yang termahal. Artificial Analysis mengukur peningkatan 113% dalam penggunaan token penalaran dibanding Grok 4.6, dengan sekitar 81.000 token keluaran yang dikonsumsi per tugas agentik. Bandingkan itu dengan model yang membaca ulang konteks alih-alih model yang menurunkannya ulang, dan kedua struktur biaya itu sama sekali tidak lagi terlihat serupa: Grok 4.7 murah per token dan mahal per tugas pada pekerjaan agentik yang panjang, sementara tier M​ythos mahal per token dan ekonominya sepenuhnya bergantung pada perilaku cache, itulah sebabnya pembaruan September A​nthropic memangkas pembacaan cache dari $1.00 menjadi $0.25 dan membingkainya sebagai hingga sekitar 45% lebih murah pada beban kerja yang sangat agentik.

Output 81.000 token dengan tarif $6,00 per juta adalah sekitar 49 sen output untuk satu tugas. Pada jendela 500.000 token yang dijual model ini, prompt yang melewati 200.000 token menggandakan tarif input dan sekaligus menggandakan tarif cache. Tak satu pun dari kedua angka itu merupakan cacat — berpikir lebih lama adalah cara model penalaran menjadi lebih baik — tetapi daftar tarif adalah harga per token dan tagihan Anda adalah harga per tugas, dan pengali di antara keduanya berbeda lebih jauh daripada selisih tarifnya.

Apa yang diubah 6 Oktober, dan apa yang tidak

Pada 6 Oktober 2026, Anthropic membangun ulang Cyber Verification Program menjadi tiga tier berbasis permohonan, menggabungkan Project Glasswing ke tier teratas, dan mengubah Claude Mythos 5.1 dari alokasi khusus mitra menjadi hibah akses yang dapat dimohonkan oleh organisasi keamanan mana pun yang memenuhi syarat. Claude Opus 5.5 dan Claude Sonnet 5.5 bergabung di setiap tier pada waktu yang sama. Permohonan Defense Access dijawab dalam beberapa hari menurut Anthropic, Red Team Access memerlukan beberapa minggu, dan akses Mythos sendiri baru diberikan sekitar lima hari kerja setelah persetujuan. Semuanya dinyatakan vendor dan belum dikonfirmasi secara independen, dan standar masuknya tetap berupa standar verifikasi, bukan harga.

Apa artinya hal itu secara khusus terhadap Grok 4.7 memang sempit. Bagi tim keamanan yang berwenang, ini adalah pertama kalinya jalur Mythos memiliki pintu depan, dan perbandingan itu menjadi nyata untuk pertama kalinya dalam sejarah model ini. Bagi semua orang lain — pengkodean, pekerjaan pengetahuan, rangkaian alat yang panjang, pekerjaan yang menjadi tujuan Grok 4.7 dibangun — sisi Anthropic dalam pertandingan ini tetap tertutup, dan pembacaan yang adil adalah bahwa perbandingan itu memang tidak pernah tepat untuk dilakukan. Generasi 9 Juni ditangguhkan di seluruh dunia dua hari setelah peluncuran oleh perintah Departemen Perdagangan AS dan hanya dipulihkan untuk sekumpulan terbatas organisasi AS yang telah diverifikasi sekitar awal Juli; seluruh keberadaan model ini telah dibentuk oleh kendala tersebut, dan sebanyak apa pun pembacaan benchmark tidak mengubah siapa yang diizinkan masuk.

Jawaban perutean, yang merupakan satu-satunya yang tersedia hari ini

Grok 4.7 ada dalam katalog OrcaRouter dengan tarif S​paceXAI sendiri — input $2,00 dan output $6,00 per juta, $0,50 untuk cache, dengan batas tier 200.000 token dan kenaikan $4,00 / $12,00-nya diteruskan persis seperti yang diterbitkan vendor — diteruskan tanpa markup, jadi perubahan tarif langsung berlaku di sini pada hari diposting. Presisi itu lebih penting pada model ini daripada pada sebagian besar model lain, karena jurang pada 200.000 token adalah diskontinuitas harga paling besar dalam perbandingan ini dan router yang meratakannya menjadi angka rata-rata akan menyesatkan Anda tentang tagihan Anda sendiri.

Hal kedua yang dilakukan lapisan routing adalah membuat masalah verbositas murah untuk diuji alih-alih mahal untuk diasumsikan. Rata-rata output 81.000 token hanyalah sebuah rata-rata, dan lalu lintas Anda bisa saja berada jauh di salah satu sisinya. Menjalankan Grok 4.7 terhadap beban kerja Anda sendiri adalah satu-satunya pengukuran yang menjawab apakah itu murah atau mahal bagi Anda, dan melakukannya tanpa integrasi kedua berarti jawabannya memakan waktu satu sore. Failover otomatis antar penyedia mencakup separuh lainnya — model penalaran yang berpikir lebih lama di bawah beban adalah model yang paling mungkin melewati batas waktu, dan rute yang menyerahkan permintaan ke backend lain alih-alih mengembalikan error lebih bernilai di sini daripada pada model yang cepat.

Jika kemampuan yang Anda inginkan dari Claude Mythos 5 adalah kelas Mythos dan bukan tingkat pengamanan yang dikurangi, model bergerbang itu tidak dapat dirutekan ke publik dan tidak ada perubahan platform yang bisa mengubahnya. Kembarannya yang tidak bergerbang bisa: Claude Fable 5.1 memiliki bobot dasar yang sama dengan pengamanan yang tetap diaktifkan, ada di katalog yang sama dengan harga daftar Anthropic sebesar $10.00 / $50.00 dengan pembacaan cache $0.25 dari penyegaran September yang sudah berlaku, dan bertukar antara model ini dan Grok 4.7 hanyalah perubahan string model.

Putusannya lebih sempit daripada yang disiratkan judulnya, dan ini layak dikatakan secara terus terang. Untuk pekerjaan agentic secara umum, Grok 4.7 adalah satu-satunya di antara keduanya yang bisa Anda gunakan, dan bukti independen menyatakan bahwa keunggulannya atas pendahulunya terkonsentrasi tepat di tempat Anda akan memakainya — yang merupakan tanda lebih baik daripada kenaikan indeks dua poin yang luas. C​laude M​ythos 5 adalah model yang lebih kuat pada satu sumbu yang pernah diukur orang terhadapnya, dan sumbu itu adalah pekerjaan keamanan di dalam program yang telah diverifikasi. Jika pekerjaan Anda bukan itu, pertanyaan yang menarik bukanlah M​ythos versus G​rok; melainkan apakah biaya per tugas Grok 4.7 pada lalu lintas Anda sendiri lebih murah daripada model yang Anda jalankan sekarang.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.