Ripple 65B Preview kontra Grok 4.7: Któremu benchmarkowi naprawdę wierzysz?

Ripple 65B Preview zadebiutował 4 listopada 2026 r. z narracją o rozmiarze: model o otwartych wagach i 65 mld parametrów od Ricursive Intelligence bije 816B Muse Spark Open firmy Meta, 975B Inkling od Thinking Machines i 550B Nemotron 3 Ultra od NVIDIA w programowaniu agentowym. Grok 4.7 opowiada inną historię. To zamknięty model xAI wydany 21 września 2026 r.; uzyskuje 35 punktów w Intelligence Index v5.0.1 Artificial Analysis — najniższy wynik spośród wszystkich modeli bliskich czołówce w tym przedziale cenowym — a mimo to wciąż bije Ripple 65B Preview o 27 punktów w jedynym benchmarku kodowania, który oba laboratoria opublikowały w tej samej wersji. Dwa modele, dwie historie benchmarkowe, wskazujące w przeciwnych kierunkach. Interesujące pytanie nie brzmi, który model jest lepszy. Brzmi: na którym pomiarze jesteś gotów oprzeć produkcyjne obciążenie.

Inwersja, wyrażona wprost

Karta Grok 4.7 podaje wynik DeepSWE v1.1 na poziomie 71,0. Karta Ripple podaje 44,3. Ten sam benchmark, ta sama wersja, oba wyniki zgłoszone przez dostawców, żadnej niejednoznaczności dotyczącej harnessu, o której można by dyskutować. Grok wygrywa o 26,7 punktu w pracy agentów zajmujących się inżynierią oprogramowania.

Teraz w drugą stronę. Ripple podaje wynik Terminal-Bench 2.1 na poziomie 80,52. Grok podaje Terminal-Bench 4.0 na poziomie 38,0. Nie są one porównywalne — 2.1 to łatka do zestawu 2.0 obejmująca 89 zadań, a 4.0 to przebudowany zestaw zadań z kontrolami wykrywającymi próby oszustwa i ośmiogodzinnym limitem czasu, który przy pierwszym kontakcie załamał każdy wynik czołówki — ale kierunek tej różnicy jest tak duży, że sama wersja prawdopodobnie tego nie wyjaśnia. Wynik Groka 38,0 jest niski nawet jak na 4.0; Claude Opus 5.5 podaje tam 66,4, a GPT-6.1 Sol około 55.

Ta sama para modeli daje więc 27-punktowe zwycięstwo Groka w jednym benchmarku i 42-punktowe zwycięstwo Ripple w innym. Jeden z tych dwóch testów mierzy coś, czego drugi nie mierzy, a kupujący musi wiedzieć, który z nich przypomina jego obciążenie.

Co Terminal-Bench i DeepSWE nagradzają każde z osobna

Terminal-Bench to benchmark zadań powłoki. Agent otrzymuje kontener, cel i limit czasu, a ocena zależy od tego, czy końcowy stan systemu plików i usług jest prawidłowy. Wersja 2.1 naprawiła 28 z 89 zadań z powodu zepsutych zależności, niezgodności zasobów i błędnej specyfikacji; wersja 4.0 usuwa osiem zadań, naprawia dziewiętnaście kolejnych i dodaje kontrole odporności na manipulacje specjalnie dlatego, że agenci znajdowali sposoby na przejście bez wykonania pracy. Badanie Berkeley RDI pokazało automatycznego agenta eksploitacyjnego osiągającego 100% w SWE-bench Pro i Terminal-Bench bez rozwiązania ani jednego zadania, poprzez nadpisanie parsera lub trojanizację curl wewnątrz kontenera. Każde kolejne podniesienie wersji od tego czasu było wyścigiem zbrojeń przeciwko temu.

DeepSWE ma inny charakter: długoterminowa inżynieria oprogramowania na rzeczywistych repozytoriach, gdzie agent musi utrzymywać plan przez wiele edycji. Nagradza wytrwałość i zarządzanie kontekstem bardziej niż sprytną pracę w powłoce. Model może być doskonały w jednym, a przeciętny w drugim, i wydaje się, że oba laboratoria tutaj zoptymalizowały się pod różne połowy.

To najbardziej przydatna rzecz w tym porównaniu. Jeśli Twoi agenci działają w kontenerach i wykonują prace systemowe — kompilacje, migracje, naprawę infrastruktury — właściwy jest ranking Terminal-Bench, a wynik Ripple’a 80,5 ma znaczenie. Jeśli Twoi agenci edytują dużą bazę kodu przez setki tur, DeepSWE jest bliższy temu zadaniu, a wynik Groka 71,0 ma znaczenie.

Rzeczywisty profil Grok 4.7

Grok 4.7 to model rozumujący z czterema poziomami wysiłku — low, medium, high i xhigh — gdzie high jest domyślny i nie można całkowicie wyłączyć rozumowania. To jest nietypowe i ma konsekwencję kosztową: każde wywołanie płaci za tokeny myślenia, niezależnie od tego, czy zadanie ich wymaga. Model ma okno kontekstu 500 000 tokenów, przyjmuje tekst i obrazy, a zwraca tekst.

• Cena — Grok: 2,00 USD za wejście / 6,00 USD za wyjście za milion poniżej 200 tys. tokenów wejściowych, 4,00 / 12,00 USD powyżej; Ripple nie ma ceny katalogowej, stawki hostowane około 0,20 / 0,60 USD

• Kontekst — Grok 500K vs Ripple do 1M (deklarowane)

• Niezależny wynik — Grok 35 w indeksie AA v5.0.1 po 7,77 USD za zadanie indeksowe; Ripple niesklasyfikowany

• Szybkość generowania — zmierzono 72 tok/s dla Grok; Ripple deklaruje 250 tok/s na 2×B200

• Licencja — Grok własnościowy, wyłącznie API; Ripple Apache 2.0

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

• Wydanie — Grok 21 września 2026 vs Ripple 4 listopada 2026

Próg 200 000 tokenów to szczegół rozliczeniowy, który zaskakuje wiele osób: jego przekroczenie powoduje ponowne rozliczenie całego żądania według wyższej stawki, a nie tylko nadwyżki. Wywołanie z 210 tys. tokenów kosztuje dwa razy więcej niż wywołanie z 199 tys. tokenów. Przy oknie 500 tys. i stale włączonym rozumowaniem łatwo to niechcący przekroczyć.

Pułapka taniej produkcji

Sześć dolarów za milion tokenów wyjściowych to najniższa stawka wśród modeli zamkniętych w tym porównaniu — Opus 5.5 kosztuje 20 dolarów, Sol i Argon po 10 dolarów — i to jest liczba, na której opiera się przekaz Groka. To także liczba, która najprawdopodobniej wprowadzi w błąd.

Dwie rzeczy niweczą tę przewagę. Po pierwsze, rozumowanie jest obowiązkowe, więc znacząca część tego, za co jesteś rozliczany, to myślenie, o które nie prosiłeś. Artificial Analysis wycenia Grok 4.7 na 7,77 USD kosztu obliczeń na zadanie w indeksie, co stanowi sześciokrotność 1,27 USD w przypadku GPT-6.1 Sol i tylko o włos przewyższa 10,04 USD w przypadku Opus 5.5 — mimo że publikowana stawka za tokeny wyjściowe wynosi jedną trzecią stawki Opus. Po drugie, model podobno zużywa przy podobnej pracy około dwa razy więcej tokenów na zadanie niż Grok 4.6. Tanie tokeny pomnożone przez większą liczbę tokenów nie są oszczędnością.

Ekonomika Ripple'a ma przeciwny kształt i równie łatwo ją błędnie odczytać. Nie ma tu żadnego cennika: wagi są objęte Apache 2.0, a kosztem są GPU. Przy 250 tokenach na sekundę na dwóch B200 w BF16 przepustowość na dolara jest doskonała, jeśli utrzymujesz GPU w ciągłym zajęciu, a fatalna, jeśli tego nie robisz. Stawki w usłudze hostowanej na poziomie około 0,20 USD za token wejściowy i 0,60 USD za token wyjściowy to czyjaś amortyzacja dokładnie tego kompromisu.

Praca długoterminowa, w której liczby Groka są najmocniejsze

Wiersze, które podkreślono przy premierze Groka, dotyczyły maratonów: SWE-Marathon v1.1 z wynikiem 46,0, w porównaniu z 31,9 dla Groka 4.6, FrontierSWE V2 z 29,5 oraz CursorBench 4.0 z 46,3 wobec 40,4. To benchmarki dotyczące wytrwałego wysiłku w ramach jednego długiego zadania, a poprawiły się znacznie bardziej między 4.6 a 4.7 niż wyniki dla pojedynczych tur. Sposób, w jaki xAI to ujmuje — ta sama cena, dłuższe horyzonty — jest trafny.

Kontrargument Ripple'a ma charakter architektoniczny. Gęsty model o 80 warstwach z oknem 1M, trenowany w etapach długiego kontekstu na 2M tokenów, jest zbudowany do utrzymywania dużego zbioru roboczego, a gęsty model 65B nie ma routingu ekspertów, który mógłby zawieść w skali. To, czy przekłada się to na lepsze zachowanie w długim horyzoncie, jest dokładnie tym, na co nie odpowiada żaden opublikowany benchmark, ponieważ Ripple nie został uruchomiony na SWE-Marathon ani FrontierSWE.

Co zrobić z tym

Nie wybieraj między tymi dwoma na podstawie wykresu porównawczego. Wybieraj, kierując się kształtem pracy i kształtem rachunku.

Działanie systemów opartych na kontenerach, możliwość uruchamiania własnych GPU i wymóg licencyjny, który kończy rozmowę z zamkniętym API: Ripple 65B Preview to właściwy eksperyment, a jego 80,5 na Terminal-Bench 2.1 — porównanie na równych zasadach z innymi modelami o otwartych wagach na tym wykresie — jest tego dowodem. Edycja na skalę repozytorium w długich horyzontach czasowych: 71,0 Groka 4.7 na DeepSWE to najsilniejszy sygnał tej samej wersji w obu kierunkach, a jego wyniki w maratonie to potwierdzają.

Grok 4.7 jest dziś dostępny w routingu przez OrcaRouter w cenie katalogowej xAI z 0% marży, obok ponad 200 innych modeli na jednym kluczu — w tym czterech poziomów wysiłku, dzięki czemu tanie wywołanie wstępnej selekcji i eskalacja na poziomie xhigh mogą działać za tym samym endpointem, a w razie pogorszenia działania xAI następuje automatyczne przełączenie awaryjne. Ma to większe znaczenie niż zwykle w przypadku Groka, ponieważ jego koszt na zadanie zależy głównie od wolumenu tokenów, a nie od ceny katalogowej; kierowanie łatwych wywołań do tańszego modelu zmienia łączny rachunek znacznie bardziej niż stawka 6 USD. Ripple nie znajduje się w katalogu, więc ten konkretny podział nie jest dla niego dostępny.

Liczba, która rozstrzygnęłaby to porównanie, jeszcze nie istnieje: Ripple 65B Preview nie ma ponownego przebiegu DeepSWE w neutralnym środowisku testowym ani wpisu w Artificial Analysis. Dopóki tak się nie stanie, jedyną uczciwą rzeczą do powiedzenia jest to, że Grok 4.7 jest mierzalnie lepszy w długotrwałej pracy z repozytorium, a Ripple jest mierzalnie lepszy w zadaniach w powłoce; benchmark, którego nazwę rozpoznajesz, nie musi być tym, który przypomina twoje obciążenie.