Ripple 65B Preview vs Grok 4.7：あなたが実際に信じるベンチマークはどちらですか？

Ripple 65B Previewは2026年11月4日、規模をめぐる物語とともに発表された。Ricursive Intelligenceによる650億パラメータのオープンウェイトモデルが、エージェント型コーディングでMetaの816B Muse Spark Open、Thinking Machinesの975B Inkling、NVIDIAの550B Nemotron 3 Ultraを上回ったという物語だ。Grok 4.7は別の物語を語る。これは2026年9月21日にリリースされたxAIのクローズドモデルで、Artificial AnalysisのIntelligence Index v5.0.1で35を記録する——この価格帯のフロンティア隣接モデルの中では最低だ——それでも、両社が同一バージョンで公開した唯一のコーディングベンチマークでは、Ripple 65B Previewを27ポイント上回っている。2つのモデル、2つのベンチマークの物語は、正反対の方向を指している。興味深い問いは、どちらのモデルが優れているかではない。本番ワークロードをどの測定結果に賭けるか、である。

逆転、率直に言えば

Grok 4.7のカードには、DeepSWE v1.1で71.0と報告されています。Rippleのカードには44.3と報告されています。同じベンチマーク、同じバージョンで、どちらもベンダー報告であり、議論の余地のあるハーネスの曖昧さはありません。Grokはソフトウェアエンジニアリングのエージェント作業で26.7ポイント勝っています。

では、逆方向の話です。RippleはTerminal-Bench 2.1で80.52と報告しています。GrokはTerminal-Bench 4.0で38.0と報告しています。これらは比較できません——2.1は2.0セットに対する89タスクのパッチであり、4.0は敵対的チート検査と8時間のタイムアウトを備えた再構築済みタスクセットで、接触したあらゆるフロンティアスコアを崩壊させました——しかし、その方向の差はあまりに大きく、バージョンだけではおそらく説明できません。Grokの38.0は4.0としては低すぎます。Claude Opus 5.5はそこで66.4、GPT-6.1 Solは約55と報告しています。

つまり、同じモデルの組み合わせが、あるベンチマークではGrokに27ポイントの勝利をもたらし、別のベンチマークではRippleに42ポイントの勝利をもたらしている。この2つの試験のうち一方は、他方が測っていない何かを測っているのであり、購入者としてはどちらが自分のワークロードに似ているのかを知る必要がある。

Terminal-Bench と DeepSWE がそれぞれ何を評価するか

Terminal-Benchはシェルタスクのベンチマークです。エージェントはコンテナ、目標、制限時間を受け取り、ファイルシステムとサービスの最終状態が正しいかどうかで採点されます。バージョン2.1では、依存関係の破損、リソースの不一致、仕様の誤りについて89タスクのうち28を修正しました。バージョン4.0では8タスクを廃止し、さらに19を修正し、特にエージェントが作業せずに合格する方法を見つけていたため、改ざん耐性チェックを追加しました。バークレーRDIの研究では、自動エクスプロイトエージェントが、パーサーを上書きしたり、curlをコンテナ内でトロイの木馬化したりすることで、単一のタスクも解かずにSWE-bench ProとTerminal-Benchで100%に到達することを示しました。それ以降の各バージョンアップは、それに対する軍拡競争でした。

DeepSWEは性質が異なります。実際のリポジトリ上での長期的なソフトウェアエンジニアリングであり、エージェントは多くの編集をまたいで計画を維持しなければなりません。これは巧みなシェル作業よりも、粘り強さとコンテキスト管理を重視します。モデルは一方に優れ、他方では平凡であり得るし、ここに挙げた2つのラボは異なる半分に最適化しているように見えます。

この比較で最も役に立つのはその点です。エージェントがコンテナ内でシステム関連の作業——ビルド、マイグレーション、インフラの修復——を行っているなら、Terminal-Bench の順位が該当し、Ripple の 80.5 が重要になります。エージェントが数百ターンにわたって大規模なコードベースを編集するなら、DeepSWE のほうが実際の作業に近く、Grok の 71.0 が重要になります。

Grok 4.7の実際のプロフィール

Grok 4.7は、低・中・高・xhighの4段階のエフォートレベルを備えた推論モデルであり、高がデフォルトで、推論を完全にオフにすることはできません。これは異例であり、コスト面の影響があります。タスクで必要かどうかにかかわらず、すべての呼び出しで思考トークン分の料金が発生します。このモデルは500,000トークンのコンテキストウィンドウを備え、テキストと画像を受け入れ、テキストを返します。

• 価格 — Grok は入力が200K未満の場合、100万トークンあたり入力$2.00 / 出力$6.00、それを超える場合は$4.00 / $12.00。Ripple には定価がなく、ホスト型の料金は$0.20 / $0.60程度

・背景 — Grok の500K に対し、Ripple は最大1M と主張

• 独立スコア — AA index v5.0.1 における Grok 35、インデックスタスク1件あたり $7.77、Ripple は未ランク

• 出力速度 — Grok は実測 72 tok/s、Ripple は 2×B200 で 250 tok/s と主張

• ライセンス — Grok はプロプライエタリ、API のみ。Ripple は Apache 2.0

• DeepSWE v1.1 — Grok 71.0 対 Ripple 44.3

• リリース — Grok 2026年9月21日 vs Ripple 2026年11月4日

20万トークンのしきい値は、多くの人が引っかかる課金の盲点です。これを超えると、超過分だけでなくリクエスト全体が高いレートで再請求されます。21万トークンの呼び出しは、19.9万トークンの呼び出しの2倍のコストがかかります。50万トークンのウィンドウで推論が常に有効な状態では、うっかり超えてしまいがちです。

安価な成果物の罠

出力100万トークンあたり6ドルは、この比較に含まれるクローズドモデルの中で最も低い料金だ——Opus 5.5は20ドル、SolとArgonは10ドル——そしてそれはGrokの売り込みがよりどころにしている数字でもある。同時に、最も誤解を招きやすい数字でもある。

利点を損なう要因が2つある。第一に、推論が必須であるため、請求額の相当部分が、依頼していない「思考」に充てられている。Artificial Analysis は Grok 4.7 をインデックスタスクあたり計算コスト $7.77 と測定しており、これは GPT-6.1 Sol の $1.27 の6倍で、Opus 5.5 の $10.04 をわずかに上回る——公称出力レートは Opus の3分の1であるにもかかわらず、だ。第二に、同モデルは同程度の作業で、タスクあたり Grok 4.6 の約2倍のトークンを消費すると報じられている。安いトークンに多くのトークンを掛けても、節約にはならない。

Rippleの経済性は逆の形をしており、同じくらい誤読しやすい。料金表はまったく存在しない。重みはApache 2.0で、コストはGPUだ。BF16の2台のB200で毎秒250トークンの場合、GPUを稼働させ続ければドルあたりのスループットは非常に優れ、そうでなければひどく悪い。入力約$0.20、出力約$0.60というホステッド料金は、まさにそのトレードオフを他社が償却したものだ。

長期的な作業、そこがGrokの数値が最も強い分野です

Grokのローンチで強調された項目はマラソン系だった。SWE-Marathon v1.1は46.0で、Grok 4.6の31.9から上昇、FrontierSWE V2は29.5、CursorBench 4.0は40.4に対して46.3だった。これらは単一の長いタスク内での持続的な取り組みに関するベンチマークであり、4.6から4.7の間の改善幅は単発ターンのスコアよりもはるかに大きかった。xAI自身の「同じ価格で、より長いホライズン」という位置づけは正確だ。

Rippleの反論はアーキテクチャに基づくものだ。1Mウィンドウを持ち、2Mトークンの長文脈ステージを通じて学習された80層のdenseモデルは、大きなワーキングセットを保持できるように作られており、65Bのdenseモデルには、大規模化したときに問題を起こすエキスパートルーティングがない。それがより優れた長期的挙動につながるかどうかこそ、公開ベンチマークがまったく答えていない点だ。なぜならRippleはSWE-MarathonやFrontierSWEで実行されていないからだ。

これをどうすればいいですか

ベンチマークのチャートの説得力でこの2つのどちらかを選んではいけません。選ぶ基準にすべきは、仕事の形と請求の形です。

コンテナベースのシステムが動作すること、独自のGPUを実行できること、そしてクローズドAPIでは話が終わってしまうライセンス要件——Ripple 65B Previewはまさに適切な実験であり、そのチャート上で他のオープンウェイトモデルと同等条件で比較したTerminal-Bench 2.1での80.5がその証拠だ。長期的な視野にわたるリポジトリ規模の編集：DeepSWEでのGrok 4.7の71.0は、どちらの方向においても同一バージョンでの最強のシグナルであり、そのマラソンスコアがそれを裏付けている。

Grok 4.7 は本日より、xAI の定価で、0% のマークアップで OrcaRouter 経由でルーティング可能で、200 以上の他のモデルとともに 1 つのキーで — 4 つのエフォートレベルを含み、安価なトリアージ呼び出しと xhigh エスカレーションを同じエンドポイントの背後に置くことができ、xAI が劣化した場合の自動フェイルオーバーも利用できます。これは Grok にとって通常以上に重要です。というのも、タスクあたりのコストは定価よりもトークン量に左右されるためです。簡単な呼び出しをより安価なモデルにルーティングすると、$6 の料金よりも合算請求額のほうがはるかに大きく変わります。Ripple はカタログにないため、その特定の振り分けは利用できません。

この比較に決着をつける数値はまだ存在しない。Ripple 65B Previewには、中立なハーネスによるDeepSWEの再実行も、Artificial Analysisのエントリーもない。それが存在するまでは、正直に言えるのは、Grok 4.7は長いリポジトリ作業で測定可能なほど優れており、Rippleはシェルタスクで測定可能なほど優れているということ、そして名前を知っているベンチマークが自動的に自分のワークロードに似ているわけではないということだ。