Claude Mythos 5 vs Grok 4.7: Tre oberoende siffror som inte stämmer överens

Artificial Analysis poängsatte Grok 4.7 tre gånger under samma eftermiddag och fick tre svar som pekar i olika riktningar: 46 på dess Intelligence Index – två poäng över Grok 4.6 – 56 på dess Coding Agent Index, nio poäng före, och 1 657 Elo på AA-Briefcase, 111 poäng före. Den spridningen är det mest intressanta med S​paceXAI:s lansering den 21 september 2026, och det är också anledningen till att den här matchen mot C​laude M​ythos 5 är värd att skriva ner i stället för att vinka igenom. Grok 4.7 är en generalist som har blivit en specialist: dess vinster är koncentrerade till långsiktig agentisk kodning och kunskapsarbete, och är nästan osynliga i det samlade benchmarkresultatet. C​laude M​ythos 5 har varit en specialist ända sedan den släpptes den 9 juni 2026 – A​nthropic:s begränsade flaggskepp inom cyber och biologi, ASL-3-klassificerad, uppdaterad som C​laude M​ythos 5.1 den 1 september, prissatt på M​ythos-nivån med $10.00 för input / $50.00 för output per miljon tokens, och tillgänglig via ett verifieringsprogram snarare än en prislista. En av dessa modeller kan du köpa. Den andra kan du ansöka om. Allt annat i den här jämförelsen är en följd av den meningen.

Vad varje modell är, och vem som låter dig anropa den

Grok 4.7 är S​paceXAI:s nuvarande flaggskepp för kodning, agentiska uppgifter och kunskapsarbete, och efterträder Grok 4.6 till ett identiskt pris och med ett identiskt kontextfönster. Leverantören skriver sitt namn som S​paceXAI både i utvecklardokumentationen och på nyhetssidan, medan API:et fortfarande serveras från api.x.ai och identifierarna fortfarande är av grok-typ – värt att känna till eftersom sökningar på endera namnet landar på samma produkt. Det finns live i Cursor och i företagets egen terminalagent G​rok Build, och leverantören positionerar det som standardrekommendation för allt utom ljud-, bild- och videoarbete. Påståendet som leverantören gör är snävare och mer specifikt än en allmän pitch: det är starkt på långvarig mjukvaruutveckling och på att verifiera sitt eget arbete.

Claude Mythos 5 är den begränsade SKU:n i Anthropics frontier-generation från den 9 juni, som delar underliggande vikter med den offentliga Claude Fable 5 och skiljer sig från den endast i skyddsnivå – cyber- och biologiklassificerarna som förblir påslagna i Fable-modellen. Anthropic klassificerar den som ASL-3, nivån som reserveras för kapaciteter som på ett meningsfullt sätt skulle kunna stärka cyberoffensiva förmågor, och ransonerar åtkomst därefter. Dess rykte vilar på red-team-fynd snarare än en publicerad benchmarktabell: en omkring 27 år gammal oupptäckt OpenBSD-bugg, en FFmpeg-sårbarhet som hade överlevt i cirka 16 år och fem miljoner träffar från automatiska skanningar, en webbläsarexploit som kedjar samman fyra sårbarheter för att ta sig ur både renderarens och operativsystemets sandlådor, och en privilegieeskalering i Linuxkärnan.

• Kontext och utdata — 500 000 tokens med upp till 450 000 utdata för Grok 4.7 jämfört med 1M tokens med 128K maximal utdata för C​laude M​ythos 5.

• Pris per miljon — 2,00 $ in / 6,00 $ ut under 200 000 indatatoken för Grok 4.7, stiger till 4,00 $ / 12,00 $ över den gränsen, jämfört med Mythos-nivåns fasta 10,00 $ / 50,00 $.

• Cache-läsning — $0.50 per miljon för Grok 4.7, fördubblas till $1.00 bortom 200 000-token-gränsen, jämfört med $1.00 per miljon för Juni Mythos-generationen och $0.25 efter September-uppdateringen.

• Modalitet – {{1}}text-, bild- och filinmatning{{/1}} med textutdata på båda.

• Resonemangsstyrning — konfigurerbar ansträngning över fyra nivåer för Grok 4.7 kontra adaptivt tänkande som inte kan inaktiveras för Claude Mythos 5.

• Åtkomst — en självbetjäningsnyckel plus leverantörens egna appar kontra en ansökan via Cyber Verification Program eller Life Sciences Verification Program, med krav på 30 dagars datalagring.

Det är i de två prisraderna som den vanliga tolkningen går fel. På prislappen är Grok 4.7 en femtedel av Mythos-priset. Vid en lång prompt är det strax över en tredjedel, eftersom nivågränsen ligger vid 200 000 tokens och detta är en modell som säljs med ett fönster på 500 000 tokens.

De tre oberoende talen, korrekt lästa

Börja med den som fick minst uppmärksamhet, eftersom den är störst. På AA-Briefcase, utvärderarens tavla för långsiktigt kunskapsarbete, hamnar Grok 4.7 på fjärde plats totalt, bakom tre Claude-poster och före Claude Opus 5 vid xhigh effort – till ungefär halva Claude Opus 5:s kostnad per uppgift. Vad som än annars är sant om den här utgåvan, är det ett pris-prestanda-resultat snarare än en kapacitetsklyfta, och det är första gången en Grok-modell har åstadkommit ett sådant på den tavlan.

Numret för Coding Agent Index tillhör samma historia. Nio poäng över Grok 4.6 på coding-agent-axeln mot två poäng på det allmänna indexet är inte brus; det säger att träningsarbetet gick in i agentiskt och kodningsrelaterat beteende specifikt, och att det som förbättrades inte överförs till en bred sammansättning av tio utvärderingar. Det allmänna indexet är numret som en resultattavla skriver ut. Coding Agent Index-numret är det som ett team som kör långa verktygsslingor faktiskt upplever.

Sedan har vi oenigheten mellan leverantören och utvärderaren kring samma benchmark, vilket är den del som är värd att komma ihåg varje gång du läser en lanseringstabell. SpaceXAI:s egen siffra för Grok 4.7 på Terminal-Bench 4.0 är 38 %. Artificial Analysis oberoende körning av samma benchmark landade på 33 %. Fem punkter, i samma riktning, på en axel, för en modell – och ingen av parterna ljuger. Agentiska benchmarks mäter en modell plus en scaffold, harness-inställningar skiljer sig och upprepade körningar varierar. Det är så en fempunktspridning ser ut när ingen fuskar. Håll den bredvid vilken enskild leverantörssiffra du än ser, inklusive Anthropics.

Vilket för oss till M​ythos-sidan och anledningen till att jämförelsen inte kan slutföras. A​nthropic publicerar ingen benchmarktabell för C​laude M​ythos 5. Siffrorna som cirkulerar med namnet kommer inte alla från leverantören:

• ExploitBench, 78,0 % — Anthropics egen lanseringssiffra från juni, ungefär dubbelt så hög som de 40 % som angavs för Claude Opus 4.8. Leverantörsrapporterad, inte reproducerad.

• CyberGym nivå 1, 83,8 % – siffran som oftast trycks bredvid den här modellen, och den kommer inte från A​nthropic. Den förekommer i konkurrenters jämförelsematerial, som har ett eget intresse av hur den framställs.

• Terminal-Bench 4.0 — 42,0 % för junigenerationen och 60,9 % för C​laude M​ythos 5.1, enligt A​nthropics uppdateringsmaterial från september.

Lägg märke till vad den tredje raden gör med matchningen. På det enda benchmark som båda spåren har en siffra för, ligger C​laude M​ythos 5.1:s 60,9 % långt över Grok 4.7:s 33 % som uppmätts oberoende. De går fortfarande inte att subtrahera: den ena är en leverantörssiffra i leverantörens egen testrigg, den andra är en tredje parts, och de kördes vid olika tidpunkter med olika konfigurationer. Men gapet är tillräckligt stort för att det är osannolikt att det helt och hållet är en artefakt, och det är en rimlig varning att en modell med en universalmikrofon inte tävlar på den axel som M​ythos-nivån är till för.

Mångordighet är den kostnadsrad som ingen skriver ut

Grok 4.7:s prislista är det billigaste med den, och dess mångordighet är det dyraste. Artificial Analysis uppmätte en ökning på 113 % i användningen av resonemangstoken jämfört med Grok 4.6, med ungefär 81 000 utdatatoken som förbrukas per agentisk uppgift. Ställ det mot en modell som läser om kontexten i stället för en modell som härleder den på nytt, och de två kostnadsstrukturerna upphör helt att likna varandra: Grok 4.7 är billig per token och dyr per uppgift vid långvarigt agentiskt arbete, medan M​ythos-nivån är dyr per token och dess ekonomi helt beror på cachebeteende, vilket är varför A​nthropic:s septemberuppdatering sänkte cacheläsningen från 1,00 till 0,25 dollar och beskrev det som upp till ungefär 45 % billigare vid mycket agentiska arbetsbelastningar.

Ett utdata på 81 000 tokens till en taxa på 6,00 USD per miljon är cirka 49 cent i utdata för en uppgift. I det fönster på 500 000 tokens som den här modellen säljer fördubblas indatatakten för en prompt som passerar 200 000 tokens, och därmed fördubblas även den cachade taxan. Ingen av siffrorna är en defekt – att tänka längre är hur resonemangsmodeller blir bättre – men en prislista är ett pris per token och din faktura är ett pris per uppgift, och multiplikatorn mellan dem skiljer sig mer än vad skillnaden i taxa gör.

Vad den 6 oktober förändrade, och vad den inte förändrade

Den 6 oktober 2026 byggde A​nthropic om Cyber Verification Program till tre ansökningsbaserade nivåer, integrerade Project Glasswing i den högsta nivån och omvandlade C​laude M​ythos 5.1 från en tilldelning endast för partner till en beviljad åtkomst som alla kvalificerade säkerhetsorganisationer kan ansöka om. C​laude O​pus 5.5 och C​laude S​onnet 5.5 anslöt sig till samtliga nivåer samtidigt. Ansökningar till Defense Access besvaras inom några dagar enligt A​nthropic, Red Team Access tar några veckor, och själva M​ythos-åtkomsten ligger cirka fem arbetsdagar efter godkännandet. Allt detta är uppgifter från leverantören och inte oberoende bekräftat, och ribban förblir en verifieringsstandard snarare än ett pris.

Vad det innebär specifikt gentemot Grok 4.7 är begränsat. För ett auktoriserat säkerhetsteam är detta första gången M​ythos-spåret har en framdörr, och jämförelsen blir verklig för första gången i den här modellens historia. För alla andra – kodning, kunskapsarbete, långa verktygsloopar, det arbete som Grok 4.7 är byggt för – förblir A​nthropic-sidan av den här matchningen stängd, och den rimliga tolkningen är att det aldrig var rätt jämförelse att göra. Generationen från den 9 juni suspenderades världen över två dagar efter lanseringen genom en order från USA:s handelsdepartement och återställdes endast för en begränsad uppsättning granskade amerikanska organisationer runt början av juli; modellens hela existens har formats av den begränsningen, och hur mycket man än läser benchmarks ändrar det inte vem som släpps igenom.

Routningssvaret, som är det enda som finns tillgängligt idag

Grok 4.7 finns i OrcaRouters katalog till SpaceXAI:s egna priser — $2.00 input och $6.00 output per miljon, $0.50 cachat, med 200 000-token-gränsen och dess prishöjning till $4.00 / $12.00 återgivna exakt som leverantören publicerar dem — förmedlade med 0 % påslag, så en prisändring är live här samma dag som den publiceras. Den precisionen spelar större roll för den här modellen än för de flesta, eftersom stupet vid 200 000 token är den enskilt största prisdiskontinuiteten i den här jämförelsen, och en router som jämnar ut det till ett genomsnitt skulle vilseleda dig om din egen faktura.

Det andra som routningslagret gör är att göra verbositetsproblemet billigt att testa i stället för dyrt att anta. En genomsnittlig utdata på 81 000 token är ett genomsnitt, och din trafik kan ligga en bra bit över eller under det. Att köra Grok 4.7 mot din egen arbetsbelastning är den enda mätningen som svarar på om det är billigt eller dyrt för dig, och att göra det utan en andra integration innebär att svaret kostar en eftermiddag. Automatisk failover mellan leverantörer täcker den andra halvan – en resonemangsmodell som tänker längre under belastning är den som med störst sannolikhet överskrider en timeout, och en rutt som lämnar över begäran till en annan backend i stället för att returnera ett fel är värd mer här än på en snabb modell.

Om förmågan du ville ha från C​laude M​ythos 5 var M​ythos-klassen snarare än den reducerade skyddsnivån kan den grindade modellen inte dirigeras till allmänheten och ingen plattform ändrar på det. Dess tvilling utan grind kan: Claude Fable 5.1 är samma underliggande vikter med skyddsfunktionerna kvar, i samma katalog till A​nthropics listpris på $10.00 / $50.00 med septemberuppdateringens cacheläsning på $0.25 på plats, och att byta mellan den och Grok 4.7 är en ändring av modellsträngen.

Domen är snävare än titeln antyder och det är värt att säga rakt ut. För allmänt agentiskt arbete är Grok 4.7 den enda av dessa två som du kan anropa, och de oberoende bevisen säger att dess fördel gentemot sin föregångare är koncentrerad precis där du skulle använda den — vilket är ett bättre tecken än en bred tvåpunktsvinst i index skulle ha varit. C​laude M​ythos 5 är den starkare modellen på den enda axel som någon har mätt den mot, och den axeln är säkerhetsarbete inom ett granskat program. Om ditt arbete inte är det, är den intressanta frågan inte M​ythos kontra G​rok; det är huruvida Grok 4.7:s kostnad per uppgift på din egen trafik är lägre än för modellen du kör nu.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.