Ripple 65B Preview vs Grok 4.7: Welke benchmark geloof je nou echt?

Ripple 65B Preview werd op 4 november 2026 gelanceerd met een verhaal over omvang: een open-weight model met 65 miljard parameters van Ricursive Intelligence dat Meta's 816B Muse Spark Open, Thinking Machines' 975B Inkling en NVIDIA's 550B Nemotron 3 Ultra verslaat op agentische coding. Grok 4.7 vertelt een ander verhaal. Het is een gesloten xAI-model dat op 21 september 2026 is uitgebracht; het scoort 35 op Artificial Analysis' Intelligence Index v5.0.1 — het laagste van alle frontier-aangrenzende modellen in deze prijsklasse — en het verslaat Ripple 65B Preview nog steeds met 27 punten op de enige codingbenchmark die beide labs in dezelfde versie hebben gepubliceerd. Twee modellen, twee benchmarkverhalen, die in tegengestelde richtingen wijzen. De interessante vraag is niet welk model beter is. Het is op welke meting je een productieworkload durft te baseren.

De inversie, eenvoudig gesteld

De kaart van Grok 4.7 meldt DeepSWE v1.1 op 71,0. De kaart van Ripple meldt 44,3. Dezelfde benchmark, dezelfde versie, beide door de leverancier gerapporteerd, geen dubbelzinnigheid over de testomgeving om over te discussiëren. Grok wint met 26,7 punten op het gebied van software-engineering-agentwerk.

Nu de andere richting. Ripple rapporteert Terminal-Bench 2.1 op 80,52. Grok rapporteert Terminal-Bench 4.0 op 38,0. Die zijn niet vergelijkbaar — 2.1 is een patch van 89 taken op de 2.0-set, 4.0 is een herbouwde takenset met controles op adversariële cheatpogingen en een time-out van acht uur die elke frontier-score bij eerste contact deed instorten — maar de richting van de kloof is zo groot dat de versie alleen het waarschijnlijk niet verklaart. De 38,0 van Grok is zelfs voor 4.0 laag; Claude Opus 5.5 rapporteert daar 66,4 en GPT-6.1 Sol ongeveer 55.

Dus hetzelfde paar modellen levert een overwinning van 27 punten op voor Grok op de ene benchmark en een overwinning van 42 punten voor Ripple op een andere. Een van die twee examens meet iets wat het andere niet meet, en een koper moet weten welke van de twee op zijn werklast lijkt.

Wat Terminal-Bench en DeepSWE elk belonen

Terminal-Bench is een benchmark voor shelltaken. De agent krijgt een container, een doel en een tijdslimiet, en wordt beoordeeld op of de uiteindelijke staat van het bestandssysteem en de services correct is. Versie 2.1 repareerde 28 van de 89 taken vanwege kapotte afhankelijkheden, resource-mismatches en onjuiste specificatie; versie 4.0 gooit acht taken eruit, repareert er nog eens negentien en voegt specifiek manipulatiebestendige controles toe omdat agents manieren vonden om te slagen zonder het werk te doen. Een onderzoek van Berkeley RDI toonde een geautomatiseerde exploit-agent die 100% behaalde op SWE-bench Pro en Terminal-Bench zonder één enkele taak op te lossen, door de parser te overschrijven of curl in de container te trojaniseren. Elke versieverhoging sindsdien is een wapenwedloop daartegen geweest.

DeepSWE heeft een andere vorm: langdurige software-engineering op echte repositories, waarbij de agent een plan over vele bewerkingen heen moet vasthouden. Het beloont doorzettingsvermogen en contextbeheer meer dan slim shell-werk. Een model kan in het ene uitblinken en in het andere middelmatig zijn, en de twee labs hier lijken zich op verschillende helften te hebben geoptimaliseerd.

Dat is het nuttigste in deze vergelijking. Als je agents in containers draaien en systeemwerk doen — builds, migraties, infrastructuurreparatie — dan is de volgorde van Terminal-Bench de relevante en is Ripples 80,5 van belang. Als je agents een grote codebase gedurende honderden turns bewerken, sluit DeepSWE beter aan bij de taak en is Groks 71,0 van belang.

Het werkelijke profiel van Grok 4.7

Grok 4.7 is een redeneermodel met vier inspanningsniveaus — low, medium, high en xhigh — waarbij high de standaard is en redeneren niet volledig kan worden uitgeschakeld. Dat is ongewoon, en het heeft gevolgen voor de kosten: elke aanroep betaalt voor denk-tokens, of de taak ze nu nodig heeft of niet. Het model heeft een contextvenster van 500.000 tokens, accepteert tekst en afbeeldingen en retourneert tekst.

• Prijs — Grok $2,00 input / $6,00 output per miljoen onder 200K input, $4,00 / $12,00 daarboven; Ripple heeft geen lijstprijs, gehoste tarieven rond $0,20 / $0,60

• Context — Grok 500K versus Ripple naar verluidt tot 1M

• Onafhankelijke score — Grok 35 op AA-index v5.0.1 tegen $7,77 per indextaak; Ripple niet gerangschikt

• Uitvoersnelheid — Grok 72 tok/s gemeten; Ripple 250 tok/s beweerd op 2×B200

• Licentie — Grok propriëtair, alleen API; Ripple Apache 2.0

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

• Release — Grok 21 september 2026 vs Ripple 4 november 2026

De drempel van 200.000 tokens is het factureringsdetail dat mensen verrast: als je die overschrijdt, wordt de hele aanvraag opnieuw gefactureerd tegen het hogere tarief, niet alleen het overschot. Een aanroep van 210K tokens kost twee keer zoveel als een aanroep van 199K tokens. Met een venster van 500K en reasoning die altijd aan staat, is dat makkelijk per ongeluk te overschrijden.

De valkuil van goedkope output

Zes dollar per miljoen outputtokens is het laagste tarief onder de gesloten modellen in deze vergelijking — Opus 5.5 kost $20, Sol en Argon kosten $10 — en het is het getal waarop de pitch van Grok leunt. Het is ook het getal dat het meest waarschijnlijk misleidt.

Twee dingen vreten het voordeel op. Ten eerste is redeneren verplicht, dus een aanzienlijk deel van wat je wordt aangerekend, is denkwerk waar je niet om hebt gevraagd. Artificial Analysis meet Grok 4.7 op $7,77 aan rekenkracht per indextaak, wat zes keer de $1,27 van GPT-6.1 Sol is en slechts een haartje hoger dan de $10,04 van Opus 5.5 — ondanks een nominaal outputtarief dat een derde van dat van Opus bedraagt. Ten tweede zou het model naar verluidt per taak ruwweg twee keer zoveel tokens verbruiken als Grok 4.6 bij vergelijkbaar werk. Goedkope tokens maal meer tokens is geen besparing.

De economie van Ripple heeft de tegenovergestelde vorm en is net zo gemakkelijk verkeerd te interpreteren. Er is helemaal geen prijslijst: de gewichten zijn Apache 2.0 en de kosten zijn GPU's. Bij 250 tokens per seconde op twee B200's in BF16 is de doorvoer per dollar uitstekend als je de GPU's bezet houdt en verschrikkelijk als je dat niet doet. De gehoste tarieven van ongeveer $0,20 voor input en $0,60 voor output zijn de amortisatie door iemand anders van precies die afweging.

Langetermijnwerk, waar Groks cijfers het sterkst zijn

De rijen die bij de lancering van Grok werden benadrukt, waren de marathonrijen: SWE-Marathon v1.1 op 46,0, tegenover 31,9 voor Grok 4.6, FrontierSWE V2 op 29,5, en CursorBench 4.0 op 46,3 tegen 40,4. Dat zijn benchmarks voor aanhoudende inspanning binnen één lange taak, en ze verbeterden tussen 4.6 en 4.7 veel sterker dan de single-turn-scores. xAI's eigen framing — dezelfde prijs, langere horizonnen — is accuraat.

Ripples tegenargument is architecturaal. Een 80-laags dense model met een venster van 1M, getraind via fasen met een lange context van 2M tokens, is gebouwd om een grote working set vast te houden, en een 65B dense model heeft geen expert-routing die op schaal mis kan gaan. Of dat zich vertaalt naar beter gedrag over een lange horizon, is precies wat geen enkele gepubliceerde benchmark beantwoordt, omdat Ripple niet is gedraaid op SWE-Marathon of FrontierSWE.

Wat te doen met dit

Kies niet tussen deze twee op basis van een benchmarkgrafiek. Kies op basis van de vorm van het werk en de vorm van de rekening.

Containergebaseerde systeemwerking, de mogelijkheid om je eigen GPU's te draaien, en een licentievereiste die de discussie met een gesloten API beëindigt: Ripple 65B Preview is het juiste experiment, en de 80.5 op Terminal-Bench 2.1 — een vergelijking op gelijke basis met de andere open-weightmodellen in die grafiek — is het bewijs daarvoor. Bewerken op repositoryschaal over lange horizonnen: de 71.0 van Grok 4.7 op DeepSWE is het sterkste signaal van dezelfde versie in beide richtingen, en de marathon-scores ervan ondersteunen dat.

Grok 4.7 is vandaag routeerbaar via OrcaRouter tegen de lijstprijs van xAI met 0% opslag, naast meer dan 200 andere modellen op één sleutel — inclusief de vier inspanningsniveaus, zodat een goedkope triage-aanroep en een xhigh-escalatie achter hetzelfde endpoint kunnen zitten, en automatische failover als xAI degradeert. Dat is voor Grok meer dan gebruikelijk van belang, omdat de kosten per taak vooral door tokenvolume worden bepaald en niet door de lijstprijs; het routeren van de makkelijke aanroepen naar een goedkoper model verandert de gemengde rekening veel meer dan het tarief van $6. Ripple staat niet in de catalogus, dus die specifieke opsplitsing is daarvoor niet beschikbaar.

Het getal dat deze vergelijking beslecht, bestaat nog niet: Ripple 65B Preview heeft geen DeepSWE-herhaling door een neutrale harness en geen vermelding in Artificial Analysis. Tot dat wel zo is, is het enige eerlijke dat je kunt zeggen dat Grok 4.7 meetbaar beter is in langdurig repository-werk en Ripple meetbaar beter in shell-taken, en dat de benchmark waarvan je de naam herkent niet automatisch degene is waarop jouw workload lijkt.