Ripple 65B Preview против Grok 4.7: какому бенчмарку вы на самом деле верите?

Ripple 65B Preview вышла 4 ноября 2026 года с историей о размере: открытая модель с 65 миллиардами параметров от Ricursive Intelligence, обходящая 816B Muse Spark Open от Meta, 975B Inkling от Thinking Machines и 550B Nemotron 3 Ultra от NVIDIA в агентном программировании. Grok 4.7 рассказывает другую историю. Это закрытая модель xAI, выпущенная 21 сентября 2026 года, она набирает 35 баллов в Intelligence Index v5.0.1 от Artificial Analysis — самый низкий показатель среди любой модели, близкой к передовым, в этом ценовом сегменте — и всё же она превосходит Ripple 65B Preview на 27 баллов в единственном бенчмарке по программированию, который обе лаборатории опубликовали в одной и той же версии. Две модели, две истории о бенчмарках, указывающие в противоположных направлениях. Интересный вопрос не в том, какая модель лучше. А в том, на какое измерение вы готовы поставить производственную нагрузку.

Инверсия, если сказать прямо

{{1}}В карточке Grok 4.7 указан результат DeepSWE v1.1 — 71,0.{{/1}} {{2}}В карточке Ripple указано 44,3.{{/2}} {{3}}Тот же бенчмарк, та же версия, оба результата заявлены производителем, и нет неоднозначности с харнессом, о которой можно было бы спорить.{{/3}} {{4}}Grok выигрывает с отрывом в 26,7 балла в работе агента по программной инженерии.{{/4}}

Теперь в другую сторону. Ripple сообщает 80,52 для Terminal-Bench 2.1. Grok сообщает 38,0 для Terminal-Bench 4.0. Эти показатели несопоставимы — 2.1 представляет собой патч на 89 заданий к набору 2.0, а 4.0 — переработанный набор заданий с проверками на состязательное читерство и восьмичасовым тайм-аутом, который сразу обрушил все результаты фронтирных моделей, — но разрыв настолько велик, что одной версией его, вероятно, не объяснить. 38,0 у Grok — низкий результат даже для 4.0; Claude Opus 5.5 показывает там 66,4, а GPT-6.1 Sol — около 55.

Итак, одна и та же пара моделей даёт победу Grok с отрывом в 27 пунктов на одном бенчмарке и победу Ripple с отрывом в 42 пункта на другом. Один из этих двух экзаменов измеряет то, чего не измеряет другой, и покупателю нужно знать, какой из них ближе к его рабочей нагрузке.

Что поощряет каждый из Terminal-Bench и DeepSWE

Terminal-Bench — это бенчмарк задач для командной оболочки. Агент получает контейнер, цель и лимит времени, а оценка выставляется по тому, верно ли конечное состояние файловой системы и сервисов. В версии 2.1 исправлено 28 из 89 задач — сломанные зависимости, несоответствия ресурсов и ошибки в постановке; версия 4.0 отбрасывает восемь задач, исправляет ещё девятнадцать и добавляет проверки на устойчивость к подмене — специально потому, что агенты находили способы пройти, не выполнив работу. Исследование Berkeley RDI показало, что автоматизированный агент-эксплойтер достигал 100% на SWE-bench Pro и Terminal-Bench, не решив ни одной задачи: он перезаписывал парсер или троянизировал curl внутри контейнера. Каждое последующее повышение версии стало гонкой вооружений против этого.

DeepSWE — это задача иного плана: долгосрочная разработка ПО на реальных репозиториях, где агент должен удерживать план на протяжении множества правок. Она вознаграждает настойчивость и управление контекстом больше, чем изобретательную работу в оболочке. Модель может отлично справляться с одним и посредственно — с другим, и две лаборатории здесь, судя по всему, оптимизировали разные половины.

Это самое полезное в данном сравнении. Если ваши агенты живут в контейнерах и выполняют системную работу — сборки, миграции, восстановление инфраструктуры, — то релевантна именно расстановка Terminal-Bench, и 80,5 у Ripple имеет значение. Если ваши агенты редактируют крупную кодовую базу на протяжении сотен ходов, то DeepSWE ближе к реальной задаче, и 71,0 у Grok имеет значение.

Фактический профиль Grok 4.7

Grok 4.7 — это модель рассуждения с четырьмя уровнями усилий: низкий, средний, высокий и xhigh, где высокий является уровнем по умолчанию, а рассуждение невозможно полностью отключить. Это необычно и имеет последствия для стоимости: каждый вызов оплачивает токены размышления независимо от того, нужны они для задачи или нет. Модель обладает контекстным окном в 500 000 токенов, принимает текст и изображения и возвращает текст.

• Цена — Grok: $2.00 за ввод / $6.00 за вывод за миллион при объёме ввода менее 200K, $4.00 / $12.00 выше; у Ripple нет прайс-листа, тарифы у хостинг-провайдеров около $0.20 / $0.60

• Контекст — Grok 500K против Ripple до 1M (заявлено)

• Независимая оценка — Grok 35 в индексе AA v5.0.1 по $7.77 за задачу индекса; Ripple без рейтинга

• Скорость вывода — Grok: измерено 72 ток/с; Ripple: заявлено 250 ток/с на 2×B200

• Лицензия — Grok проприетарная, только API; Ripple Apache 2.0

• DeepSWE v1.1 — Grok 71.0 против Ripple 44.3

• Релиз — Grok 21 сентября 2026 г. против Ripple 4 ноября 2026 г.

Порог в 200 000 токенов — та деталь тарификации, на которой люди попадаются: при его превышении весь запрос пересчитывается по более высокой ставке, а не только превышение. Вызов на 210 тыс. токенов стоит вдвое дороже, чем вызов на 199 тыс. токенов. При окне в 500 тыс. токенов и постоянно включённом режиме рассуждения через него легко случайно перешагнуть.

Ловушка дешёвого результата

Шесть долларов за миллион выходных токенов — самая низкая ставка среди закрытых моделей в этом сравнении — Opus 5.5 стоит 20 долларов, Sol и Argon — 10 долларов — и именно на эту цифру опирается презентация Grok. Это также цифра, которая с наибольшей вероятностью вводит в заблуждение.

Две вещи съедают преимущество. Во-первых, рассуждение обязательно, поэтому значительная доля того, за что вы платите, — это размышления, которые вы не просили. Artificial Analysis оценивает Grok 4.7 в $7.77 вычислений на одну задачу индекса, что в шесть раз больше, чем $1.27 у GPT-6.1 Sol, и лишь ненамного выше $10.04 у Opus 5.5 — несмотря на заявленную цену вывода в треть от цены Opus. Во-вторых, по сообщениям, модель потребляет примерно вдвое больше токенов на задачу, чем Grok 4.6, при сопоставимой работе. Дешёвые токены, умноженные на большее число токенов, — это не экономия.

Экономика Ripple устроена противоположным образом, и её так же легко понять неправильно. Тарифной сетки вообще нет: веса — под Apache 2.0, а затраты — это GPU. При 250 токенах в секунду на двух B200 в BF16 пропускная способность на доллар отличная, если GPU загружены, и ужасная, если нет. Хостинговые тарифы около $0,20 за вход и $0,60 за выход — это чья-то амортизация ровно такого компромисса.

Долгосрочная работа, где показатели Grok сильнее всего

В запуске Grok акцент был сделан на марафонских показателях: SWE-Marathon v1.1 — 46,0 против 31,9 у Grok 4.6, FrontierSWE V2 — 29,5, а CursorBench 4.0 — 46,3 против 40,4. Это бенчмарки о способности поддерживать усилия в рамках одной длительной задачи, и между 4.6 и 4.7 они выросли гораздо сильнее, чем результаты в одноходовых тестах. Формулировка самой xAI — та же цена, более длинные горизонты — точна.

Контраргумент Ripple носит архитектурный характер. 80-слойная плотная модель с окном в 1M, обученная на этапах длинного контекста объёмом 2M токенов, создана для удержания большого рабочего набора, а у плотной модели 65B нет экспертной маршрутизации, которая могла бы дать сбой при масштабировании. Однако преобразуется ли это в лучшее поведение на длинном горизонте — именно на это не отвечает ни один опубликованный бенчмарк, поскольку Ripple не запускали на SWE-Marathon или FrontierSWE.

Что с этим делать

Не выбирайте между этими двумя, опираясь на график бенчмарков. Выбирайте, исходя из того, как устроена работа и как устроен счёт.

Работа с контейнерными системами, возможность запускать собственные GPU и лицензионное требование, которое ставит точку в вопросе закрытого API: Ripple 65B Preview — это правильный эксперимент, и его 80,5 на Terminal-Bench 2.1 — сопоставимое сравнение с другими open-weight моделями на этом графике — служит тому доказательством. Редактирование в масштабе репозитория на длинных горизонтах: 71,0 у Grok 4.7 на DeepSWE — самый сильный сигнал в рамках одной версии в обоих направлениях, и его марафонские результаты это подтверждают.

Grok 4.7 уже сегодня можно маршрутизировать через OrcaRouter по прейскурантной цене xAI с наценкой 0% наряду с более чем 200 другими моделями по одному ключу — включая четыре уровня усилий, так что дешёвый вызов для первичной оценки и эскалация xhigh могут работать через один и тот же эндпоинт, а также автоматическое переключение при сбое, если xAI деградирует. Для Grok это важнее, чем обычно, потому что стоимость каждой задачи определяется главным образом объёмом токенов, а не прейскурантной ценой; маршрутизация простых вызовов на более дешёвую модель меняет итоговый смешанный счёт гораздо сильнее, чем ставка в $6. Ripple отсутствует в каталоге, поэтому такое разделение для него недоступно.

Числа, которое окончательно решило бы это сравнение, пока не существует: у Ripple 65B Preview нет ни повторного прогона DeepSWE в нейтральном харнессе, ни записи в Artificial Analysis. Пока этого нет, единственное честное утверждение таково: Grok 4.7 измеримо лучше справляется с длительной работой с репозиториями, а Ripple измеримо лучше — с задачами в оболочке, и бенчмарк, название которого вы узнаёте, не обязательно тот, на который похожа ваша рабочая нагрузка.