Muse Spark vs Grok 4.7: Dove l'Indice e l'Arena non concordano

Sulla carta questo è il confronto meno ambiguo del panorama attuale. M​use Spark 1.3, il checkpoint attuale della linea M​use Spark di M​eta Superintelligence Labs, ottiene 48 sull'Intelligence Index di Artificial Analysis alla sua impostazione di ragionamento massima e costa $1,60 per completare un'attività dell'indice. Grok 4.7, rilasciato il 21 settembre 2026, ottiene 46 alla sua impostazione xhigh e costa $3,74 per la stessa attività. M​use Spark vince sull'indice, vince sul prezzo per token su entrambi i lati della fattura, vince sulla finestra di contesto, vince sulla velocità di output ed emette meno token nel farlo. Poi apri una seconda classifica indipendente e il quadro cambia: Grok 4.7 si trova all'89º posto della classifica testuale di LMArena con 1444 Elo da quasi dodicimila voti, mentre M​use Spark 1.3 non compare affatto in quella classifica. Quella divergenza — non il divario di due punti nell'indice — è la cosa che vale la pena capire prima di scegliere, perché qualunque classifica a cui assomigliano i tuoi utenti è la classifica che deciderà se la tua migrazione sembra un aggiornamento.

Due modelli che fanno la stessa scommessa

Grok 4.7 e M​use Spark 1.3 sono quasi identici nella filosofia progettuale. Entrambi sono posizionati come modelli di ragionamento di punta che si basano su una proposta agentica a lungo termine. Entrambi pubblicano i loro numeri di benchmark di punta con un'impostazione di sforzo estrema anziché quella predefinita. Entrambi sono, secondo la misura indipendente, insolitamente loquaci. Ed entrambi non hanno cambiato nulla in fatto di prezzi al momento del rilascio — Grok 4.7 è stato offerto allo stesso prezzo e alla stessa velocità di Grok 4.6, e M​use Spark ha mantenuto 1,25 $ in input e 4,25 $ in output su tre checkpoint consecutivi.

La documentazione di Grok 4.7 lo descrive come il modello di punta di xAI per "codice e tutto il resto: chiamata di strumenti agentici, allucinazioni minime, ragionamento configurabile", il che è un'affermazione sull'affidabilità più che sulla capacità grezza. La linea di Meta per Muse Spark 1.3 è "addestrata per flussi di lavoro agentici e ottimizzata per prestazioni competitive nella programmazione". Due fornitori, che descrivono lo stesso lavoro, con numeri che favoriscono per lo più uno dei due.

Una nota sulla denominazione prima dei numeri, perché morde le persone: M​use Spark è una famiglia. M​use Spark 1.1 (luglio 2026) e M​use Spark 1.2 (agosto 2026) condividono la stessa riga di modalità e la stessa finestra di contesto di 1.3 e differiscono solo in capacità. Il "M​use Spark" senza versione si riferisce al modello originale di aprile 2026. Confrontare Grok 4.7 con qualcosa di diverso da 1.3 significa confrontarlo con un vecchio checkpoint ri-puntato.

I numeri indipendenti, fianco a fianco

Tutto quanto segue è una misurazione ospitata direttamente da Artificial Analysis, rilevata nella configurazione ad alta potenza di calcolo di ciascun modello. Nessuna delle due righe è una dichiarazione di un fornitore.

• Indice di Intelligenza — Muse Spark 1.3 (max): 48, posizione 24 su 217. Grok 4.7 (xhigh): 46, posizione 30 su 217.

• Costo per attività di indicizzazione — M​use Spark 1.3: 1,60 $. Grok 4.7: 3,74 $. M​use Spark costa 2,3 volte meno per attività completata.

• Token di output durante l'indice — M​use Spark 1.3: 170M. G​rok 4.7: 240M. Entrambi sono segnalati come molto verbosi; G​rok lo è del 41% in più.

• Velocità di output — M​use Spark 1.3: 121,9 token al secondo, 43° posto su 186. Grok 4.7: 90,8 token al secondo, 87° posto su 186.

• Tempo al primo token — Grok 4.7 registra una media di 37,26 secondi, che la scheda colloca all'estremità alta rispetto a una mediana di fascia di 3,70 s. Per M​use Spark 1.3 non è pubblicato alcun dato comparabile, il che è una lacuna più che una vittoria; non abbiamo intenzione di considerare un numero mancante come un buon risultato.

• Prezzi di listino — Grok 4.7: 2,00 $ in input / 6,00 $ in output, con input in cache a 0,50 $ per prompt inferiori a 200.000 token. Muse Spark 1.3: 1,25 $ in input / 4,25 $ in output, con input in cache a 0,15 $, nessuna soglia.

• Contesto — Grok 4.7: 500.000 token. M​use Spark 1.3: 1.048.576.

• Modalità — entrambi accettano testo e immagini e restituiscono testo; Muse Spark 1.3 aggiunge l'input video, che la documentazione di Grok 4.7 non elenca.

La soglia di prezzo che nessuno menziona

Grok 4.7 ha prezzi a scaglioni, e la soglia è fissata a 200.000 token di prompt: sotto di essa paghi 2,00 $ in input e 6,00 $ in output; a partire da essa, l'intera richiesta viene fatturata a 4,00 $ in input e 12,00 $ in output, con l'input in cache che passa da 0,50 $ a 1,00 $. La regola non è una tariffazione a consumo marginale — superare la soglia ricalcola il prezzo di tutto ciò che è nella richiesta. Rispetto a una finestra di contesto di 500.000 token, si tratta di una botola situata al 40% della profondità della finestra, e qualsiasi pipeline di recupero che stipa documenti in un prompt Grok la troverà il mese successivo al suo rilascio.

Muse Spark 1.3 non pubblica alcuna struttura a livelli comparabile: un'unica tariffa per l'intera finestra da 1M di token. Questo, per chiunque abbia prompt grandi per progettazione, vale più del divario di due punti nell'indice. Inoltre si somma alla differenza di cache — l'input in cache di Grok è $0.50 per milione contro i $0.15 di Muse Spark — quindi in un ciclo agente con cache intensiva che opera vicino alla soglia, il divario di costo effettivo tra questi due è più ampio di quanto suggeriscano le tariffe nominali, non più ristretto.

Dove Grok 4.7 ha un argomento valido

La tabella sbilanciata qui sopra non è l'intero argomento, e tre cose dalla parte di Grok meritano di essere esposte chiaramente.

Primo, i livelli di latenza. xAI rende disponibile una variante Grok 4.7 Fast al doppio della velocità e al doppio del prezzo, distribuita tramite Cursor e Grok Build anziché tramite l'API pubblica. Se il tuo vincolo è la reattività interattiva durante le ore di punta, avere un livello rapido autorizzato dal fornitore per lo stesso modello è una vera opzione operativa. Meta non pubblica alcun equivalente per Muse Spark 1.3.

In secondo luogo, la completezza della documentazione. Grok 4.7 pubblica una data limite delle conoscenze di maggio 2026 e un quadro completo dei limiti di frequenza e della disponibilità regionale; la documentazione pubblicata di Muse Spark 1.3 non include una data limite delle conoscenze né un valore massimo di output che potessimo verificare. Quando due modelli sono vicini, quello i cui limiti sono documentati è quello in base al quale puoi pianificare, e il fatto che un fornitore taccia su un limite massimo non equivale al fatto che quel limite massimo non esista.

Terzo, e cosa più importante per l'impostazione di questo articolo: il segnale di preferenza umana punta nella direzione opposta. Grok 4.7 occupa il rango 89 nella classifica testuale di LMArena con 11.591 voti dietro un Elo di 1444 — una posizione modesta, ma misurata. Muse Spark 1.3 non è presente in quella classifica. Un punteggio indice e un punteggio arena rispondono a domande diverse: l'indice chiede se il modello può completare una serie di compiti difficili, l'arena chiede se le persone preferiscono le sue risposte. Il rango indice di Grok 4.7 di 30 contro un rango arena di 89 dice qualcosa di specifico — che la sua capacità non si traduce in preferenza allo stesso tasso dei suoi pari. L'assenza di Muse Spark 1.3 dice qualcosa di meno specifico ma non neutro: la prova di come le persone reagiscono al suo output è semplicemente assente.

Dichiarazioni del fornitore, tenute separate

Nessuno dei due insiemi di cifre riportati di seguito è riprodotto da noi, e le due liste non condividono abbastanza valutazioni per poter essere sottratte l'una dall'altra.

L'annuncio di x​AI riporta Grok 4.7 a CursorBench 4.0 46,3%, Terminal-Bench 4.0 37,6%, EEBench 64,0%, DeepSWE v1.1 71,0% con sforzo alto, Harvey Legal Agent 19,6%, HealthBench Professional 56,7% e GDPval Elo 1695 a xhigh.

Il punteggio di M​eta per M​use Spark 1.3 riporta DeepSWE v1.1 a 75,4, OSWorld 2.0 a 66,9, Terminal-Bench 2.1 a 76,4 con l'agente Terminus 2, MCP-Atlas a 89,2, GDPval-AA v2 a 1.754, SciCode a 58,5, HLE-Diamond senza strumenti a 26,1 e JobBench a 61,8.

La tentazione è leggere 75,4 contro 71,0 su DeepSWE e chiamarlo un vantaggio di quattro punti per Meta. Non farlo: xAI pubblica il suo dato con sforzo elevato, mentre il miglior punteggio di Meta appartiene all’impostazione massima, e le due aziende hanno usato harness diversi. Ciò che le due liste stabiliscono davvero è la forma del disaccordo, non la sua entità.

Che cosa cambia la decisione in pratica

• Dimensione del prompt — se i tuoi prompt superano i 200.000 token, il repricing della soglia di Grok 4.7 è la singola voce più consistente in questo confronto, ed è quella che rende fuorviante la tabella per token.

• Recupero e contesto lungo — la finestra da 1M di Muse Spark 1.3 rispetto ai 500K di Grok 4.7 è una vera differenza di capacità per il lavoro su interi repository o interi documenti, non un fronzolo da scheda tecnica.

• Volume di output — entrambi i modelli sono prolissi; Grok 4.7 lo è ancora di più, con 240M token nell'indice contro 170M. Se la tua fattura è dominata dai token di output, stai scegliendo tra due opzioni costose, e quella più economica è M​use Spark.

• Controlli di ragionamento — Grok 4.7 espone low, medium, high e xhigh, con impostazione predefinita high. M​use Spark 1.3 va da minimal a max. Nessuno dei due può essere disattivato del tutto.

• Streaming e output strutturati — Grok 4.7 supporta il function calling e gli output strutturati, e la sua Responses API restituisce sempre contenuti di ragionamento crittografati; l'elaborazione in batch non è supportata. Se dipendi dal prezzo per il batch, questo è un elemento squalificante dalla parte di G​rok e vale la pena verificarlo rispetto ai termini della stessa API di M​use Spark prima di dare per scontato lo stesso.

• Rischio di preferenza — se l'asticella della qualità del tuo prodotto è fissata dal giudizio degli utenti anziché dal completamento di benchmark, Grok 4.7 ha una posizione nell'arena misurata — per quanto poco lusinghiera — e M​use Spark 1.3 non ne ha alcuna. Nessuno dei due numeri è un motivo per migrare; l'assenza di uno è un motivo per fare un confronto per conto tuo.

Mettendo entrambi su un unico endpoint

Grok 4.7 è su OrcaRouter, insieme ai due checkpoint Muse Spark che serviamo, Muse Spark 1.2 e Muse Spark 1.1, al prezzo di listino di ciascun provider con 0% di ricarico passato — un'unica API su oltre 200 modelli, failover automatico tra di essi e un DSL di routing per suddividere il traffico per regola. Questa combinazione è il modo più economico per rispondere alla domanda a cui questo articolo non può rispondere per te. La soglia di 200K dal lato di G​rok la rende un candidato particolarmente adatto per una regola di routing: limita G​rok alla soglia, invia le richieste troppo grandi a un modello con tariffa fissa e lascia che il failover gestisca il giorno in cui uno di loro si degrada.

Due rivelazioni. M​use Spark 1.3 di per sé non è nel nostro catalogo, quindi il lato M​use Spark di qualsiasi test si esegua qui parte da 1.2 — il checkpoint che Artificial Analysis misura è un punto sotto M​use Spark Open, e uno che ora reca un avviso di deprecazione che rimanda a 1.3. E gli unici numeri in questo articolo che difenderemmo come misurazioni sono le righe di Artificial Analysis; i dati dei fornitori da entrambe le parti sono asserzioni, e il posizionamento su LMArena è preliminare secondo la sua stessa etichettatura.

Quale, oggi

Se scegli in base a evidenze pubblicate e indipendenti e il tuo carico di lavoro è a contesto lungo, con input video, ad alto utilizzo di cache o sensibile ai costi, M​use Spark 1.3 è il modello più forte su quasi ogni voce e quello più economico per attività completata di un fattore 2,3. Se il tuo carico di lavoro rimane sotto i 200.000 token, dipende da output strutturato e chiamate di funzioni, trae vantaggio da un livello veloce gestito dal fornitore, o viene giudicato dagli utenti anziché dal completamento di benchmark, Grok 4.7 ha un argomento coerente che il confronto degli indici non cattura — ed è l'unico dei due ad avere un numero di preferenza umana in assoluto. Il riepilogo onesto è che questo confronto si decide in base alla dimensione del prompt e a chi valuta l'output, e quasi da nient'altro in nessuna delle due schede di valutazione.

Quel divario tra ciò che un tabellone dei punteggi misura e ciò che un deployment incontra nella pratica è il motivo per cui il registro conta: i fallimenti documentati dell'IA e gli incidenti degli agenti relativi ai modelli di questa classe sono raccolti in the OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.