Ripple 65B Preview vs Grok 4.7: A quale benchmark credi davvero?

Ripple 65B Preview è stato lanciato il 4 novembre 2026 con una storia che parla di dimensioni: un modello open-weight da 65 miliardi di parametri di Ricursive Intelligence che supera Muse Spark Open da 816B di Meta, Inkling da 975B di Thinking Machines e Nemotron 3 Ultra da 550B di NVIDIA sul coding agentico. Grok 4.7 racconta una storia diversa. È un modello closed di xAI rilasciato il 21 settembre 2026, ottiene 35 sull'Intelligence Index v5.0.1 di Artificial Analysis — il punteggio più basso tra i modelli vicini alla frontiera in questa fascia di prezzo — e supera comunque Ripple 65B Preview di 27 punti sull'unico benchmark di coding che entrambi i laboratori hanno pubblicato alla stessa versione. Due modelli, due storie di benchmark, che puntano in direzioni opposte. La domanda interessante non è quale modello sia migliore. È su quale misurazione sei disposto a scommettere un carico di lavoro di produzione.

L'inversione, in termini semplici

La scheda di Grok 4.7 riporta DeepSWE v1.1 a 71,0. La scheda di Ripple riporta 44,3. Stesso benchmark, stessa versione, entrambi dichiarati dal fornitore, nessuna ambiguità dell'harness di cui discutere. Grok vince con 26,7 punti di vantaggio nel lavoro di agenti per l'ingegneria del software.

Ora l'altra direzione. Ripple riporta Terminal-Bench 2.1 a 80,52. Grok riporta Terminal-Bench 4.0 a 38,0. Non sono comparabili — 2.1 è una patch da 89 task del set 2.0, 4.0 è un set di task ricostruito con controlli anti-cheat adversariali e un timeout di otto ore che ha fatto crollare ogni punteggio frontier al primo contatto — ma la direzione del divario è così ampia che probabilmente la versione da sola non la spiega. Il 38,0 di Grok è basso anche per 4.0; Claude Opus 5.5 riporta 66,4 lì e GPT-6.1 Sol circa 55.

Quindi la stessa coppia di modelli produce un vantaggio di 27 punti per Grok su un benchmark e di 42 punti per Ripple su un altro. Uno di questi due esami misura qualcosa che l’altro non misura, e un acquirente deve sapere quale dei due assomiglia al proprio carico di lavoro.

Che cosa premiano rispettivamente Terminal-Bench e DeepSWE

Terminal-Bench è un benchmark di attività da riga di comando. All'agente viene fornito un container, un obiettivo e un limite di tempo, e il punteggio dipende dalla correttezza dello stato finale del filesystem e dei servizi. La versione 2.1 ha corretto 28 delle 89 attività per dipendenze difettose, incongruenze nelle risorse e specifiche errate; la versione 4.0 elimina otto attività, ne corregge altre diciannove e aggiunge controlli anti-manomissione proprio perché gli agenti stavano trovando modi per superare il test senza svolgere il lavoro. Uno studio del Berkeley RDI ha mostrato un agente di exploit automatizzato raggiungere il 100% su SWE-bench Pro e Terminal-Bench senza risolvere una sola attività, sovrascrivendo il parser o rendendo trojanizzato curl all'interno del container. Ogni incremento di versione da allora è stata una corsa agli armamenti contro tutto ciò.

DeepSWE è di forma diversa: ingegneria del software a lungo orizzonte su repository reali, dove l'agente deve mantenere un piano attraverso molte modifiche. Premia la perseveranza e la gestione del contesto più di un abile lavoro con la shell. Un modello può essere eccellente in uno e mediocre nell'altro, e i due laboratori qui sembrano aver ottimizzato per metà diverse.

Questa è la cosa più utile in questo confronto. Se i tuoi agenti vivono in container e svolgono lavoro sui sistemi — build, migrazioni, riparazione dell'infrastruttura — la classifica di Terminal-Bench è quella rilevante e il punteggio 80,5 di Ripple conta. Se i tuoi agenti modificano una grande base di codice nell'arco di centinaia di turni, DeepSWE è più vicino al compito e il 71,0 di Grok conta.

Il profilo reale di Grok 4.7

Grok 4.7 è un modello di ragionamento con quattro livelli di impegno — low, medium, high e xhigh — in cui high è il valore predefinito e il ragionamento non può essere disattivato del tutto. È una cosa insolita, e ha una conseguenza sui costi: ogni chiamata paga i token di pensiero indipendentemente dal fatto che l'attività ne abbia bisogno o meno. Il modello dispone di una finestra di contesto di 500.000 token, accetta testo e immagini e restituisce testo.

• Prezzo — Grok: 2,00 $ input / 6,00 $ output per milione sotto 200K di input, 4,00 $ / 12,00 $ sopra; Ripple non ha un prezzo di listino, le tariffe hosted sono vicine a 0,20 $ / 0,60 $

• Contesto — Grok 500K vs Ripple fino a 1M dichiarati

• Punteggio indipendente — Grok 35 su AA index v5.0.1 a 7,77 $ per attività dell'indice; Ripple non classificato

• Velocità di output — Grok 72 tok/s misurati; Ripple 250 tok/s dichiarati su 2×B200

• Licenza — Grok proprietario, solo API; Ripple Apache 2.0

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

• Rilascio — Grok 21 settembre 2026 vs Ripple 4 novembre 2026

La soglia dei 200.000 token è il dettaglio di fatturazione che coglie di sorpresa: superarla comporta la rifatturazione dell'intera richiesta alla tariffa più alta, non solo dell'eccesso. Una chiamata da 210K token costa il doppio di una da 199K token. Con una finestra da 500K e il ragionamento sempre attivo, è facile superarla per errore.

La trappola dell'output a basso costo

Sei dollari per milione di token di output è la tariffa più bassa tra i modelli chiusi in questo confronto — Opus 5.5 costa 20 $, Sol e Argon costano 10 $ — ed è il numero su cui fa leva il pitch di Grok. È anche il numero che più probabilmente può trarre in inganno.

Due cose erodono il vantaggio. Primo, il ragionamento è obbligatorio, quindi una quota significativa di ciò che viene fatturato è pensiero che non hai richiesto. Artificial Analysis misura Grok 4.7 a 7,77 dollari di calcolo per attività dell'indice, cioè sei volte gli 1,27 dollari di GPT-6.1 Sol e superiore ai 10,04 dollari di Opus 5.5 solo di un soffio — nonostante una tariffa di output dichiarata pari a un terzo di quella di Opus. Secondo, il modello consumerebbe circa il doppio dei token per attività rispetto a Grok 4.6 a parità di lavoro. Token economici moltiplicati per più token non equivalgono a un risparmio.

L'economia di Ripple ha una forma opposta ed è altrettanto facile da fraintendere. Non esiste alcun tariffario: i pesi sono Apache 2.0 e il costo sono le GPU. A 250 token al secondo su due B200 in BF16, il throughput per dollaro è eccellente se mantieni le GPU occupate e pessimo se non lo fai. Le tariffe hosted vicine a $0,20 input e $0,60 output sono l'ammortamento altrui esattamente di quel compromesso.

Lavoro a lungo termine, dove i numeri di Grok sono i più forti

Le righe su cui il lancio di Grok ha posto l’enfasi erano quelle della maratona: SWE-Marathon v1.1 a 46,0, in aumento da 31,9 per Grok 4.6, FrontierSWE V2 a 29,5 e CursorBench 4.0 a 46,3 contro 40,4. Si tratta di benchmark che riguardano lo sforzo prolungato all’interno di un singolo compito lungo, e sono migliorati molto più tra 4.6 e 4.7 di quanto abbiano fatto i punteggi a turno singolo. L’inquadramento di xAI — stesso prezzo, orizzonti più lunghi — è accurato.

La contromossa di Ripple è architetturale. Un modello denso a 80 strati con una finestra da 1M, addestrato attraverso fasi di contesto lungo da 2M token, è progettato per mantenere un ampio working set, e un modello denso da 65B non ha alcun expert-routing che possa andare storto su larga scala. Se ciò si traduca in un comportamento migliore su orizzonti lunghi è esattamente ciò a cui nessun benchmark pubblicato risponde, perché Ripple non è stato eseguito su SWE-Marathon o FrontierSWE.

Cosa fare con questo

Non scegliere tra questi due sulla base di un grafico di benchmark. Scegli sulla base della forma del lavoro e della forma della fattura.

Il funzionamento dei sistemi basati su container, la possibilità di eseguire le proprie GPU e un requisito di licenza che chiude il discorso con un'API chiusa: Ripple 65B Preview è l'esperimento giusto, e il suo 80.5 su Terminal-Bench 2.1 — un confronto alla pari con gli altri modelli open-weight su quel grafico — ne è la prova. Modifica su scala di repository su orizzonti lunghi: il 71.0 di Grok 4.7 su DeepSWE è il segnale più forte della stessa versione in entrambe le direzioni, e i suoi punteggi marathon lo confermano.

Oggi Grok 4.7 è instradabile tramite OrcaRouter al prezzo di listino di xAI con uno 0% di ricarico, insieme a oltre 200 altri modelli con un'unica chiave — compresi i quattro livelli di effort, così una chiamata di triage economica e un'escalation xhigh possono stare dietro lo stesso endpoint, con failover automatico se xAI peggiora. Per Grok questo conta più del solito, perché il suo costo per attività è dominato dal volume di token più che dal prezzo di listino; instradare le chiamate facili verso un modello più economico cambia la bolletta complessiva molto più della tariffa di $6. Ripple non è nel catalogo, quindi quella particolare suddivisione non è disponibile per esso.

Il numero che dirimerebbe questo confronto non esiste ancora: Ripple 65B Preview non ha una nuova esecuzione di DeepSWE da parte di un harness neutrale né una voce in Artificial Analysis. Finché non ci sarà, l'unica cosa onesta da dire è che Grok 4.7 è misurabilmente migliore nel lavoro su repository lunghi e Ripple è misurabilmente migliore nei compiti di shell, e che il benchmark di cui riconosci il nome non è automaticamente quello a cui assomiglia il tuo carico di lavoro.