Ripple 65B Preview vs Grok 4.7: Benchmark Mana yang Sebenarnya Anda Percayai?

Ripple 65B Preview diluncurkan pada 4 November 2026 dengan narasi tentang ukuran: model open-weight 65 miliar parameter dari Ricursive Intelligence yang mengalahkan Muse Spark Open 816B milik Meta, Inkling 975B dari Thinking Machines, dan Nemotron 3 Ultra 550B dari NVIDIA pada coding agentic. Grok 4.7 bercerita lain. Ini adalah model tertutup dari xAI yang dirilis pada 21 September 2026, meraih skor 35 pada Intelligence Index v5.0.1 dari Artificial Analysis — terendah di antara model mana pun yang mendekati kelas frontier dalam rentang harga ini — namun tetap mengalahkan Ripple 65B Preview dengan selisih 27 poin pada satu tolok ukur coding yang diterbitkan kedua laboratorium pada versi yang sama. Dua model, dua cerita tolok ukur, yang mengarah ke arah berlawanan. Pertanyaan yang menarik bukanlah model mana yang lebih baik. Melainkan pengukuran mana yang bersedia Anda pertaruhkan untuk beban kerja produksi.

Inversi, dinyatakan secara gamblang

Kartu Grok 4.7 melaporkan DeepSWE v1.1 sebesar 71,0. Kartu Ripple melaporkan 44,3. Benchmark sama, versi sama, keduanya dilaporkan vendor, tidak ada ambiguitas harness untuk diperdebatkan. Grok menang dengan selisih 26,7 poin pada pekerjaan agen rekayasa perangkat lunak.

Sekarang arah sebaliknya. Ripple melaporkan Terminal-Bench 2.1 sebesar 80,52. Grok melaporkan Terminal-Bench 4.0 sebesar 38,0. Angka-angka itu tidak sebanding — 2.1 adalah patch 89 tugas dari set 2.0, 4.0 adalah set tugas yang dibangun ulang dengan pemeriksaan kecurangan adversarial dan batas waktu delapan jam yang langsung menjatuhkan setiap skor frontier — tetapi arah selisihnya begitu besar sehingga versi saja mungkin tidak menjelaskannya. Angka 38,0 milik Grok rendah bahkan untuk 4.0; Claude Opus 5.5 melaporkan 66,4 di sana dan GPT-6.1 Sol sekitar 55.

Jadi, pasangan model yang sama menghasilkan kemenangan 27 poin bagi Grok pada satu benchmark dan kemenangan 42 poin bagi Ripple pada benchmark lain. Salah satu dari dua ujian tersebut mengukur sesuatu yang tidak diukur oleh yang lain, dan pembeli perlu tahu mana yang menyerupai beban kerja mereka.

Apa yang masing-masing Terminal-Bench dan DeepSWE hargai

Terminal-Bench adalah tolok ukur tugas shell. Agen mendapatkan sebuah container, sebuah tujuan, dan batas waktu, dan dinilai berdasarkan apakah keadaan akhir sistem berkas dan layanan sudah benar. Versi 2.1 memperbaiki 28 dari 89 tugas untuk dependensi yang rusak, ketidakcocokan sumber daya, dan kesalahan spesifikasi; versi 4.0 membuang delapan tugas, memperbaiki sembilan belas tugas lainnya, dan menambahkan pemeriksaan ketahanan terhadap manipulasi secara khusus karena agen menemukan cara untuk lulus tanpa mengerjakan pekerjaannya. Sebuah studi Berkeley RDI menunjukkan agen eksploitasi otomatis mencapai 100% pada SWE-bench Pro dan Terminal-Bench tanpa menyelesaikan satu tugas pun, dengan menimpa parser atau menjadikan curl sebagai trojan di dalam container. Setiap kenaikan versi sejak itu telah menjadi perlombaan senjata melawan hal itu.

DeepSWE adalah bentuk yang berbeda: rekayasa perangkat lunak jangka panjang pada repositori nyata, ketika agen harus mempertahankan rencana di sepanjang banyak penyuntingan. Ini lebih menghargai kegigihan dan manajemen konteks daripada pekerjaan shell yang cerdik. Sebuah model bisa unggul dalam satu hal dan biasa saja dalam hal lainnya, dan dua lab di sini tampaknya telah mengoptimalkan untuk bagian yang berbeda.

Itulah hal yang paling berguna dalam perbandingan ini. Jika agen Anda berjalan di dalam container untuk mengerjakan pekerjaan sistem — build, migrasi, perbaikan infrastruktur — maka urutan Terminal-Bench-lah yang relevan dan angka 80,5 milik Ripple itu penting. Jika agen Anda menyunting basis kode yang besar selama ratusan giliran, DeepSWE lebih mendekati pekerjaan tersebut dan angka 71,0 milik Grok itu penting.

Profil sebenarnya Grok 4.7

Grok 4.7 adalah model penalaran dengan empat tingkat upaya — rendah, sedang, tinggi, dan xhigh — di mana tinggi adalah bawaan dan penalaran tidak dapat dimatikan sepenuhnya. Hal itu tidak biasa, dan berdampak pada biaya: setiap panggilan membayar token berpikir, entah tugasnya membutuhkannya atau tidak. Model ini memiliki jendela konteks 500.000 token, menerima teks dan gambar, serta mengembalikan teks.

• Harga — Grok $2,00 input / $6,00 output per juta untuk input di bawah 200K, $4,00 / $12,00 di atasnya; Ripple tidak memiliki harga daftar, tarif hosted sekitar $0,20 / $0,60

• Konteks — Grok 500K vs Ripple yang diklaim hingga 1M

• Skor independen — Grok 35 pada indeks AA v5.0.1 sebesar $7.77 per tugas indeks; Ripple tanpa peringkat

• Kecepatan keluaran — Grok terukur 72 tok/s; Ripple diklaim 250 tok/s pada 2×B200

• Lisensi — Grok proprietari, hanya API; Ripple Apache 2.0

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

• Rilis — Grok 21 September 2026 vs Ripple 4 November 2026

Ambang 200.000 token adalah detail penagihan yang sering membuat orang terkecoh: melewatinya akan menagih ulang seluruh permintaan dengan tarif lebih tinggi, bukan hanya kelebihannya. Panggilan 210K token biayanya dua kali lipat dibandingkan panggilan 199K token. Dengan jendela 500K dan reasoning yang selalu aktif, itu mudah terlampaui tanpa sengaja.

Jebakan output murah

Enam dolar per juta token keluaran adalah tarif terendah di antara model tertutup dalam perbandingan ini — Opus 5.5 adalah $20, Sol dan Argon $10 — dan itulah angka yang menjadi andalan promosi Grok. Itu juga angka yang paling mungkin menyesatkan.

Dua hal menggerus keunggulan itu. Pertama, penalaran bersifat wajib, sehingga porsi signifikan dari yang ditagihkan kepada Anda adalah proses berpikir yang tidak Anda minta. Artificial Analysis mengukur Grok 4.7 pada $7.77 biaya komputasi per tugas indeks, yakni enam kali lipat $1.27 milik GPT-6.1 Sol dan hanya sedikit lebih tinggi daripada $10.04 milik Opus 5.5 — meskipun tarif output yang diumumkan hanya sepertiga dari Opus. Kedua, model tersebut dilaporkan mengonsumsi sekitar dua kali lipat token per tugas dibandingkan Grok 4.6 untuk pekerjaan serupa. Token murah dikalikan dengan lebih banyak token bukanlah penghematan.

Ekonomi Ripple bentuknya berlawanan dan sama mudahnya untuk disalahpahami. Tidak ada daftar harga sama sekali: bobotnya berlisensi Apache 2.0 dan biayanya adalah GPU. Pada 250 token per detik di dua B200 dalam BF16, throughput per dolar sangat baik jika GPU tetap sibuk dan buruk jika tidak. Tarif hosted mendekati $0.20 untuk input dan $0.60 untuk output adalah amortisasi pihak lain atas persis pertukaran itu.

Pekerjaan jangka panjang, di mana angka-angka Grok paling kuat

Baris-baris yang ditekankan dalam peluncuran Grok adalah yang maraton: SWE-Marathon v1.1 pada 46,0, naik dari 31,9 untuk Grok 4.6, FrontierSWE V2 pada 29,5, dan CursorBench 4.0 pada 46,3 dibandingkan 40,4. Itu adalah tolok ukur tentang upaya berkelanjutan dalam satu tugas panjang, dan peningkatannya antara 4.6 dan 4.7 jauh lebih besar daripada skor satu putaran. Pembingkaian xAI sendiri — harga sama, horizon lebih panjang — akurat.

Sanggahan Ripple bersifat arsitektural. Model dense 80 lapis dengan jendela 1M yang dilatih melalui tahap konteks panjang 2M token dirancang untuk menampung set kerja yang besar, dan model dense 65B tidak memiliki expert-routing yang bisa salah pada skala besar. Apakah itu berujung pada perilaku jangka panjang yang lebih baik adalah tepat pertanyaan yang belum dijawab oleh benchmark mana pun yang dipublikasikan, karena Ripple belum dijalankan pada SWE-Marathon atau FrontierSWE.

Apa yang harus dilakukan dengan ini

Jangan memilih di antara keduanya berdasarkan bagan benchmark. Pilihlah berdasarkan bentuk pekerjaannya dan bentuk tagihannya.

Sistem berbasis kontainer yang berfungsi, kemampuan untuk menjalankan GPU Anda sendiri, dan persyaratan lisensi yang mengakhiri percakapan dengan API tertutup: Ripple 65B Preview adalah eksperimen yang tepat, dan skor 80,5 pada Terminal-Bench 2.1 — perbandingan setara dengan model open-weight lain di bagan itu — adalah buktinya. Pengeditan berskala repositori dalam horizon panjang: skor Grok 4.7 sebesar 71,0 pada DeepSWE adalah sinyal versi sama terkuat di kedua arah, dan skor maratonnya mendukungnya.

Grok 4.7 dapat dirutekan hari ini melalui OrcaRouter pada harga daftar xAI dengan markup 0%, bersama lebih dari 200 model lainnya dengan satu kunci — termasuk empat tingkat effort, sehingga panggilan triase murah dan eskalasi xhigh dapat berada di balik endpoint yang sama, serta failover otomatis jika xAI menurun. Itu lebih penting dari biasanya untuk Grok, karena biaya per tugasnya didominasi oleh volume token, bukan harga daftar; merutekan panggilan yang mudah ke model yang lebih murah mengubah tagihan gabungan jauh lebih besar daripada pengaruh tarif $6. Ripple tidak ada dalam katalog, jadi pembagian khusus itu tidak tersedia untuknya.

Angka yang menyelesaikan perbandingan ini belum ada: Ripple 65B Preview belum memiliki uji ulang DeepSWE oleh harness netral dan tidak memiliki entri Artificial Analysis. Sampai itu ada, satu-satunya hal jujur yang bisa dikatakan adalah bahwa Grok 4.7 secara terukur lebih baik dalam pekerjaan repositori panjang dan Ripple secara terukur lebih baik dalam tugas shell, dan benchmark yang namanya Anda kenali tidak otomatis merupakan benchmark yang menyerupai beban kerja Anda.