Ripple 65B Preview vs Grok 4.7: Vilket benchmark tror du faktiskt på?

Ripple 65B Preview lanserades den 4 november 2026 med en berättelse om storlek: en öppen viktmodell med 65 miljarder parametrar från Ricursive Intelligence som slår Metas 816B Muse Spark Open, Thinking Machines 975B Inkling och NVIDIA:s 550B Nemotron 3 Ultra inom agentisk kodning. Grok 4.7berättar en annan historia. Det är en sluten xAI-modell som släpptes den 21 september 2026, den får 35 på Artificial Analysis Intelligence Index v5.0.1 — lägst av alla frontier-närliggande modeller i det här prissegmentet — och den slår ändå Ripple 65B Preview med 27 poäng på det enda kodningsbenchmark som båda labben publicerade i samma version. Två modeller, två benchmarkberättelser, som pekar i motsatta riktningar. Den intressanta frågan är inte vilken modell som är bättre. Det är vilken mätning du är villig att satsa en produktionsarbetsbelastning på.

Inversionen, uttryckt i klartext

Grok 4.7:s kort rapporterar DeepSWE v1.1 på 71,0. Ripples kort rapporterar 44,3. Samma benchmark, samma version, båda leverantörsrapporterade, ingen oklarhet kring harness att argumentera om. Grok vinner med 26,7 poäng på agentarbete inom mjukvaruutveckling.

Nu åt andra hållet. Ripple rapporterar Terminal-Bench 2.1 till 80,52. Grok rapporterar Terminal-Bench 4.0 till 38,0. De är inte jämförbara – 2.1 är en patch med 89 uppgifter för 2.0-setet, 4.0 är en ombyggd uppgiftsuppsättning med kontroller mot adversariellt fusk och en åttatimmars timeout som fick varje frontier-poäng att rasa omedelbart – men gapet är så stort att versionen sannolikt inte ensam förklarar det. Groks 38,0 är lågt även för 4.0; Claude Opus 5.5 rapporterar 66,4 där och GPT-6.1 Sol omkring 55.

Så samma par av modeller ger en 27-poängsseger för Grok på ett benchmark och en 42-poängsseger för Ripple på ett annat. Ett av dessa två prov mäter något som det andra inte mäter, och en köpare behöver veta vilket av dem som liknar deras arbetsbelastning.

Vad Terminal-Bench respektive DeepSWE belönar

Terminal-Bench är ett benchmark för shelluppgifter. Agenten får en container, ett mål och en tidsgräns, och bedöms utifrån om det slutliga tillståndet för filsystemet och tjänsterna är korrekt. Version 2.1 åtgärdade 28 av de 89 uppgifterna på grund av trasiga beroenden, resursmissmatchningar och felaktig specifikation; version 4.0 tar bort åtta uppgifter, åtgärdar nitton till och lägger till manipuleringsskydd särskilt eftersom agenter hittade sätt att klara sig utan att utföra arbetet. En studie från Berkeley RDI visade att en automatiserad exploit-agent nådde 100 % på SWE-bench Pro och Terminal-Bench utan att lösa en enda uppgift, genom att skriva över parsern eller trojanisera curl i containern. Varje versionshöjning sedan dess har varit en kapprustning mot det.

DeepSWE är en annan typ av utmaning: långsiktig programvaruutveckling i riktiga kodförråd, där agenten måste hålla en plan genom många ändringar. Det belönar uthållighet och kontexthantering mer än smarta shell-kommandon. En modell kan vara utmärkt på det ena och medelmåttig på det andra, och de två labben här verkar ha optimerat för olika halvor.

Det är det mest användbara i den här jämförelsen. Om dina agenter lever i containrar och utför systemarbete – byggen, migreringar, infrastrukturreparation – är Terminal-Bench-ordningen den relevanta, och Ripples 80,5 spelar roll. Om dina agenter redigerar en stor kodbas över hundratals turer är DeepSWE närmare uppgiften, och Groks 71,0 spelar roll.

Grok 4.7:s faktiska profil

Grok 4.7 är en resonemangsmodell med fyra ansträngningsnivåer – låg, medel, hög och xhigh – där hög är standard och resonemanget kan inte stängas av helt. Det är ovanligt och får en kostnadskonsekvens: varje anrop betalar för tänk-tokens oavsett om uppgiften behöver dem eller inte. Modellen har ett kontextfönster på 500 000 tokens, tar emot text och bilder och returnerar text.

• Pris — Grok $2.00 för input / $6.00 för output per miljon under 200K input, $4.00 / $12.00 över; Ripple har inget listpris, hostade priser nära $0.20 / $0.60

• Kontext — Grok 500K vs Ripple upp till 1M påstås

• Oberoende poäng — Grok 35 på AA index v5.0.1 till $7.77 per indexuppgift; Ripple utan placering

• Utdatashastighet — Grok uppmätt till 72 tok/s; Ripple uppges nå 250 tok/s på 2×B200

• Licens — Grok proprietär, endast API; Ripple Apache 2.0

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

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

Tröskelvärdet på 200 000 token är faktureringsdetaljen som överraskar folk: att passera det fakturerar om hela begäran till den högre taxan, inte bara överskottet. Ett anrop på 210K token kostar dubbelt så mycket som ett anrop på 199K token. Med ett fönster på 500K och resonemang alltid påslaget är det lätt att råka utlösa det av misstag.

Fällan med billiga resultat

Sex dollar per miljon utdatatokens är den lägsta taxan bland de slutna modellerna i den här jämförelsen – Opus 5.5 kostar 20 dollar, Sol och Argon kostar 10 dollar – och det är siffran som Groks säljargument bygger på. Det är också den siffra som mest sannolikt vilseleder.

Två saker äter upp fördelen. För det första är resonemang obligatoriskt, så en betydande del av det du faktureras för är tänkande du inte bad om. Artificial Analysis uppmäter Grok 4.7 till $7.77 i beräkningskostnad per indexuppgift, vilket är sex gånger $1.27 för GPT-6.1 Sol och bara en hårsmån högre än $10.04 för Opus 5.5 – trots en officiellt angiven utmatningstakt som är en tredjedel av Opus. För det andra uppges modellen förbruka ungefär dubbelt så många tokens per uppgift som Grok 4.6 för liknande arbete. Billiga tokens multiplicerade med fler tokens är ingen besparing.

Ripples ekonomi har motsatt form och är precis lika lätt att misstolka. Det finns ingen prislista alls: vikterna är Apache 2.0 och kostnaden är GPU:er. Vid 250 token per sekund på två B200:or i BF16 är genomströmningen per dollar utmärkt om du håller GPU:erna upptagna och usel om du inte gör det. De hostade priserna på nära $0.20 för input och $0.60 för output är någon annans amortering av precis den avvägningen.

Långsiktigt arbete, där Groks siffror är starkast

De rader som Groks lansering betonade var maratonraderna: SWE-Marathon v1.1 på 46,0, upp från 31,9 för Grok 4.6, FrontierSWE V2 på 29,5 och CursorBench 4.0 på 46,3 mot 40,4. Det är benchmarks som handlar om uthållig ansträngning inom en enda lång uppgift, och de förbättrades långt mer mellan 4.6 och 4.7 än vad poängen för enskilda turer gjorde. xAI:s egen formulering – samma pris, längre horisonter – är korrekt.

Ripples motargument är arkitektoniskt. En 80-lagers tät modell med ett 1M-fönster som tränats genom långkontextstadier på 2M tokens är byggd för att hålla en stor arbetsmängd, och en 65B tät modell har ingen expert-routing som kan gå fel i skala. Huruvida det omsätts i bättre långsiktigt beteende är precis det som inget publicerat benchmark svarar på, eftersom Ripple inte har körts på SWE-Marathon eller FrontierSWE.

Vad ska man göra med detta

Välj inte mellan dessa två utifrån ett benchmarkdiagram. Välj utifrån hur arbetet ser ut och hur fakturan ser ut.

Containerbaserade system fungerar, möjligheten att köra egna GPU:er och ett licensieringskrav som avslutar samtalet med ett slutet API: Ripple 65B Preview är rätt experiment, och dess 80,5 på Terminal-Bench 2.1 – en likvärdig jämförelse med de andra modellerna med öppna vikter i det diagrammet – är beviset för det. Redigering i repositoriestorlek över långa horisonter: Grok 4.7:s 71,0 på DeepSWE är den starkaste signalen för samma version i endera riktningen, och dess maratonresultat stöder det.

Grok 4.7 kan idag routas via OrcaRouter till xAI:s listpris med 0 % påslag, tillsammans med över 200 andra modeller på en och samma nyckel – inklusive de fyra effort-nivåerna, så att ett billigt triageanrop och en xhigh-eskalering kan ligga bakom samma endpoint, och automatisk failover om xAI försämras. Det spelar större roll än vanligt för Grok, eftersom dess kostnad per uppgift domineras av tokenvolym snarare än listpris; att routa de enkla anropen till en billigare modell förändrar den sammanvägda kostnaden mycket mer än $6-priset gör. Ripple finns inte i katalogen, så just den uppdelningen är inte tillgänglig för den.

Det tal som avgör den här jämförelsen finns ännu inte: Ripple 65B Preview har ingen DeepSWE-omkörning av ett neutralt testramverk och ingen post i Artificial Analysis. Tills den finns är det enda ärliga att säga att Grok 4.7 är mätbart bättre på långvarigt arbete i kodförråd och att Ripple är mätbart bättre på shelluppgifter, och att det benchmark vars namn du känner igen inte automatiskt är det som din arbetsbelastning liknar.