Ripple 65B Preview vs Grok 4.7: Em qual benchmark você realmente acredita?

O Ripple 65B Preview foi lançado em 4 de novembro de 2026 com uma história sobre tamanho: um modelo aberto de 65 bilhões de parâmetros da Ricursive Intelligence que supera o Muse Spark Open de 816B da Meta, o Inkling de 975B da Thinking Machines e o Nemotron 3 Ultra de 550B da NVIDIA em codificação agêntica. Grok 4.7conta uma história diferente. É um modelo fechado da xAI lançado em 21 de setembro de 2026, marca 35 no Intelligence Index v5.0.1 da Artificial Analysis — o mais baixo de qualquer modelo próximo da fronteira nesta faixa de preço — e ainda supera o Ripple 65B Preview em 27 pontos no único benchmark de codificação que ambos os laboratórios publicaram na mesma versão. Dois modelos, duas histórias de benchmark, apontando em direções opostas. A pergunta interessante não é qual modelo é melhor. É em qual medição você está disposto a apostar uma carga de trabalho de produção.

A inversão, dita sem rodeios

A ficha do Grok 4.7 registra 71,0 no DeepSWE v1.1. A ficha do Ripple registra 44,3. Mesmo benchmark, mesma versão, ambos reportados pelo fornecedor, sem ambiguidade de harness para discutir. O Grok vence por 26,7 pontos em trabalho de agente de engenharia de software.

Agora a outra direção. A Ripple relata Terminal-Bench 2.1 em 80,52. A Grok relata Terminal-Bench 4.0 em 38,0. Esses números não são comparáveis — 2.1 é um patch de 89 tarefas do conjunto 2.0, 4.0 é um conjunto de tarefas reconstruído com verificações de trapaça adversarial e um tempo limite de oito horas que derrubou toda pontuação de fronteira ao primeiro contato —, mas a direção da lacuna é tão grande que a versão sozinha provavelmente não a explica. O 38,0 da Grok é baixo até para o 4.0; Claude Opus 5.5 relata 66,4 ali e GPT-6.1 Sol cerca de 55.

Portanto, o mesmo par de modelos produz uma vantagem de 27 pontos para o Grok em um benchmark e de 42 pontos para o Ripple em outro. Um desses dois exames está medindo algo que o outro não mede, e o comprador precisa saber qual deles se assemelha à sua carga de trabalho.

O que o Terminal-Bench e o DeepSWE recompensam individualmente

O Terminal-Bench é um benchmark de tarefas de shell. O agente recebe um contêiner, um objetivo e um limite de tempo, e é avaliado com base em se o estado final do sistema de arquivos e dos serviços está correto. A versão 2.1 corrigiu 28 das 89 tarefas por dependências quebradas, incompatibilidades de recursos e especificação incorreta; a versão 4.0 descarta oito tarefas, corrige mais dezenove e adiciona verificações de resistência a adulteração especificamente porque os agentes estavam encontrando maneiras de passar sem fazer o trabalho. Um estudo do Berkeley RDI mostrou um agente de exploração automatizado alcançando 100% no SWE-bench Pro e no Terminal-Bench sem resolver uma única tarefa, ao sobrescrever o parser ou inserir um trojan no curl dentro do contêiner. Cada aumento de versão desde então tem sido uma corrida armamentista contra isso.

O DeepSWE tem um formato diferente: engenharia de software de longo horizonte em repositórios reais, em que o agente precisa manter um plano ao longo de muitas edições. Ele recompensa mais a persistência e a gestão de contexto do que um trabalho de shell engenhoso. Um modelo pode ser excelente numa coisa e medíocre na outra, e os dois laboratórios aqui parecem ter otimizado para metades diferentes.

Essa é a coisa mais útil nesta comparação. Se seus agentes vivem em contêineres fazendo trabalho de sistemas — compilações, migrações, reparo de infraestrutura —, a ordenação do Terminal-Bench é a relevante, e o 80,5 do Ripple importa. Se seus agentes editam uma grande base de código ao longo de centenas de turnos, o DeepSWE está mais próximo da tarefa, e o 71,0 do Grok importa.

O perfil real do Grok 4.7

O Grok 4.7 é um modelo de raciocínio com quatro níveis de esforço — baixo, médio, alto e xhigh — em que alto é o padrão e o raciocínio não pode ser desativado por completo. Isso é incomum e tem uma consequência de custo: cada chamada paga por tokens de pensamento, quer a tarefa precise deles ou não. O modelo tem uma janela de contexto de 500.000 tokens, aceita texto e imagens e retorna texto.

• Preço — Grok: US$ 2,00 de entrada / US$ 6,00 de saída por milhão abaixo de 200 mil tokens de entrada; US$ 4,00 / US$ 12,00 acima; Ripple não tem preço de tabela, tarifas hospedadas em torno de US$ 0,20 / US$ 0,60

• Contexto — Grok 500K vs Ripple até 1M alegado

• Pontuação independente — Grok 35 no AA index v5.0.1 a US$ 7,77 por tarefa de índice; Ripple sem classificação

• Velocidade de saída — Grok 72 tok/s medidos; Ripple 250 tok/s alegados em 2×B200

• Licença — Grok proprietário, somente API; Ripple Apache 2.0

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

• Lançamento — Grok 21 de setembro de 2026 vs Ripple 4 de novembro de 2026

O limite de 200.000 tokens é o detalhe de cobrança que pega as pessoas: ultrapassá-lo recobra a requisição inteira pela taxa mais alta, não apenas o excedente. Uma chamada de 210 mil tokens custa o dobro de uma chamada de 199 mil tokens. Com uma janela de 500 mil e raciocínio sempre ativado, é fácil ultrapassá-lo acidentalmente.

A armadilha da produção barata

Seis dólares por milhão de tokens de saída é a tarifa mais baixa entre os modelos fechados desta comparação — o Opus 5.5 custa US$ 20, o Sol e o Argon custam US$ 10 — e é o número no qual o discurso de venda do Grok se apoia. É também o número com maior probabilidade de enganar.

Duas coisas consomem a vantagem. Primeiro, o raciocínio é obrigatório, então uma parcela significativa do que você paga é por raciocínio que você não pediu. A Artificial Analysis mede o Grok 4.7 em US$ 7,77 de computação por tarefa de índice, o que é seis vezes os US$ 1,27 do GPT-6.1 Sol e superior aos US$ 10,04 do Opus 5.5 por um fio — apesar de uma taxa de saída nominal de um terço da do Opus. Segundo, o modelo supostamente consome cerca de duas vezes mais tokens por tarefa que o Grok 4.6 para trabalho semelhante. Tokens baratos multiplicados por mais tokens não é economia.

A economia do Ripple tem o formato oposto e é igualmente fácil de interpretar mal. Não há tabela de preços nenhuma: os pesos são Apache 2.0 e o custo são as GPUs. A 250 tokens por segundo em duas B200s em BF16, a vazão por dólar é excelente se você mantiver as GPUs ocupadas e terrível se não mantiver. As taxas hospedadas perto de US$ 0,20 de entrada e US$ 0,60 de saída são a amortização de outra pessoa exatamente dessa troca.

Trabalho de horizonte longo, onde os números do Grok são mais fortes

As linhas destacadas no lançamento do Grok foram as de maratona: SWE-Marathon v1.1 em 46,0, acima de 31,9 do Grok 4.6, FrontierSWE V2 em 29,5 e CursorBench 4.0 em 46,3 contra 40,4. Esses são benchmarks sobre esforço sustentado dentro de uma única tarefa longa, e eles melhoraram muito mais entre 4.6 e 4.7 do que as pontuações de turno único. A formulação da própria xAI — mesmo preço, horizontes mais longos — é precisa.

O contra-argumento da Ripple é arquitetural. Um modelo denso de 80 camadas com uma janela de 1M, treinado por estágios de contexto longo de 2M tokens, foi construído para manter um grande conjunto de trabalho, e um modelo denso de 65B não tem roteamento de especialistas que possa dar errado em escala. Se isso se traduz em melhor comportamento de longo horizonte é exatamente o que nenhum benchmark publicado responde, porque a Ripple não foi executada no SWE-Marathon nem no FrontierSWE.

O que fazer com isso

Não escolha entre estes dois com base em um gráfico de benchmark. Escolha com base no formato do trabalho e no formato da conta.

Sistemas baseados em contêineres funcionam, a capacidade de executar suas próprias GPUs e um requisito de licenciamento que encerra a conversa com uma API fechada: o Ripple 65B Preview é o experimento certo, e sua pontuação de 80,5 no Terminal-Bench 2.1 — uma comparação equivalente com os outros modelos de peso aberto naquele gráfico — é a evidência disso. Edição em escala de repositório ao longo de horizontes longos: a pontuação de 71,0 do Grok 4.7 no DeepSWE é o sinal mais forte de mesma versão em qualquer direção, e suas pontuações de maratona corroboram isso.

O Grok 4.7 pode ser encaminhado hoje através do OrcaRouter ao preço de tabela da xAI, com 0% de margem, juntamente com mais de 200 outros modelos numa única chave — incluindo os quatro níveis de esforço, para que uma chamada de triagem barata e uma escalada xhigh possam ficar atrás do mesmo endpoint, e com failover automático caso a xAI se degrade. Isso é mais importante do que o habitual para o Grok, porque o seu custo por tarefa é dominado pelo volume de tokens e não pelo preço de tabela; encaminhar as chamadas fáceis para um modelo mais barato altera a fatura combinada muito mais do que a tarifa de $6. O Ripple não está no catálogo, pelo que essa divisão específica não está disponível para ele.

O número que resolve esta comparação ainda não existe: o Ripple 65B Preview não tem uma reexecução do DeepSWE por um harness neutro nem uma entrada no Artificial Analysis. Até que isso aconteça, a única coisa honesta a dizer é que o Grok 4.7 é mensuravelmente melhor em trabalho em repositórios extensos e o Ripple é mensuravelmente melhor em tarefas de shell, e o benchmark cujo nome você reconhece não é automaticamente aquele com que sua carga de trabalho se parece.