Muse Spark กับ Grok 4.7: จุดที่ Index และ Arena เห็นไม่ตรงกัน

On paper this is the least ambiguous matchup in the current field. M​use Spark 1.3, the current checkpoint of M​eta Superintelligence Labs' M​use Spark line, scores 48 on Artificial Analysis' Intelligence Index at its max reasoning setting and costs $1.60 to complete an index task. Grok 4.7, released September 21, 2026, scores 46 at its xhigh setting and costs $3.74 for the same task. M​use Spark wins the index, wins price per token on both sides of the invoice, wins context window, wins output speed, and emits fewer tokens doing it. Then you open a second independent board and the picture changes: Grok 4.7 sits at rank 89 of LMArena's text leaderboard with 1444 Elo from nearly twelve thousand votes, and M​use Spark 1.3 is not on that leaderboard at all. That divergence — not the two-point index gap — is the thing worth understanding before you pick, because whichever board your users resemble is the board that will decide whether your migration looks like an upgrade.

สองโมเดลที่เดิมพันเดียวกัน

Grok 4.7 and M​use Spark 1.3 are near-identical in design philosophy. Both are positioned as flagship reasoning models that run on a long-horizon agentic pitch. Both ship their headline benchmark numbers at an extreme effort setting rather than the default. Both are, by the independent measure, unusually talkative. And both changed nothing about pricing when they released — Grok 4.7 was served at the same price and speed as Grok 4.6, and M​use Spark has held $1.25 in and $4.25 out across three consecutive checkpoints.

Grok 4.7's own documentation describes it as x​AI's flagship for "code and everything else: agentic tool calling, minimal hallucinations, configurable reasoning", which is a claim about reliability rather than raw capability. M​eta's line for M​use Spark 1.3 is "trained for agentic workflows and optimized for competitive coding performance". Two vendors, describing the same job, with numbers that mostly favour one of them.

One naming note before the numbers, because it bites people: M​use Spark is a family. Muse Spark 1.1 (July 2026) and Muse Spark 1.2 (August 2026) share the same modality row and context window as 1.3 and differ only in capability. The unversioned "M​use Spark" refers to the original April 2026 model. Comparing Grok 4.7 to anything other than 1.3 is comparing it to a re-pointed older checkpoint.

ตัวเลขอิสระเคียงข้างกัน

ทุกอย่างด้านล่างนี้เป็นการวัดที่โฮสต์โดย Artificial Analysis เอง ซึ่งทำที่การตั้งค่าคอมพิวต์สูงของแต่ละโมเดล ไม่มีแถวใดเลยที่เป็นคำกล่าวอ้างของผู้ขาย

• Intelligence Index — M​use Spark 1.3 (max): 48, rank 24 of 217. Grok 4.7 (xhigh): 46, rank 30 of 217.

• Cost per index task — M​use Spark 1.3: $1.60. Grok 4.7: $3.74. M​use Spark is 2.3x cheaper per completed task.

• Output tokens during the index — M​use Spark 1.3: 170M. Grok 4.7: 240M. Both are flagged as very verbose; G​rok is 41% more so.

• Output speed — M​use Spark 1.3: 121.9 tokens per second, rank 43 of 186. Grok 4.7: 90.8 tokens per second, rank 87 of 186.

• Time to first token — Grok 4.7 averages 37.26 seconds, which the listing places at the high end against a tier median of 3.70s. No comparable figure is published for M​use Spark 1.3, which is a gap rather than a win; we are not going to treat a missing number as a good one.

• List pricing — Grok 4.7: $2.00 in / $6.00 out with cached input at $0.50 for prompts under 200,000 tokens. M​use Spark 1.3: $1.25 in / $4.25 out with cached input at $0.15, no threshold.

• Context — Grok 4.7: 500,000 tokens. M​use Spark 1.3: 1,048,576.

• Modalities — both accept text and image and return text; M​use Spark 1.3 adds video input, which Grok 4.7's documentation does not list.

เกณฑ์ราคาที่ไม่มีใครพูดถึง

Grok 4.7 คิดราคาแบบเป็นขั้น โดยเกณฑ์อยู่ที่ 200,000 โทเค็นพรอมป์ต์: ต่ำกว่านั้นคุณจ่าย $2.00 สำหรับอินพุต และ $6.00 สำหรับเอาต์พุต; เท่ากับหรือสูงกว่านั้น ทั้งคำขอจะถูกคิดราคาที่ $4.00 สำหรับอินพุต และ $12.00 สำหรับเอาต์พุต โดยอินพุตที่แคชไว้จะเพิ่มจาก $0.50 เป็น $1.00 กฎนี้ไม่ใช่การคิดราคาตามการใช้งานส่วนเพิ่ม — การข้ามเส้นแบ่งจะคิดราคาทุกอย่างในคำขอใหม่ เมื่อเทียบกับหน้าต่างบริบทขนาด 500,000 โทเค็น นั่นคือประตูกับดักที่อยู่ที่ 40% ของความลึกของหน้าต่าง และไปป์ไลน์การดึงข้อมูลใด ๆ ที่ยัดเอกสารเข้าไปในพรอมป์ต์ Grok จะพบมันในเดือนหลังจากที่มันเปิดตัว

M​use Spark 1.3 publishes no comparable tier structure: one rate across the whole 1M-token window. That is worth more than the two-point index gap to anyone whose prompts are large by design. It also compounds with the cache difference — G​rok's cached input is $0.50 per million against M​use Spark's $0.15 — so in a heavily cached agent loop running near the threshold, the effective cost gap between these two is wider than the headline rates suggest, not narrower.

จุดที่ Grok 4.7 มีข้อโต้แย้งที่สมเหตุสมผล

ตารางที่ไม่สมดุลข้างต้นไม่ใช่ข้อโต้แย้งทั้งหมด และมีสามสิ่งที่อยู่ฝั่งของ Grok ที่สมควรกล่าวอย่างตรงไปตรงมา

First, latency tiers. x​AI ships a Grok 4.7 Fast variant at double the speed and double the price, distributed through Cursor and G​rok Build rather than the public API. If your constraint is interactive responsiveness during peak hours, having a vendor-sanctioned fast tier for the same model is a real operational option. M​eta publishes no equivalent for M​use Spark 1.3.

Second, documentation completeness. Grok 4.7 publishes a knowledge cutoff of May 2026 and a full rate-limit and regional-availability picture; M​use Spark 1.3's published record does not include a knowledge cutoff or a max-output figure we could verify. When two models are close, the one whose limits are written down is the one you can plan against, and a vendor being silent about a ceiling is not the same as the ceiling not existing.

Third, and most importantly for the framing of this piece: the human-preference signal points the other way. Grok 4.7 holds rank 89 on LMArena's text leaderboard with 11,591 votes behind a 1444 Elo — a modest placement, but a measured one. M​use Spark 1.3 is not on that board. An index score and an arena score are answering different questions: the index asks whether the model can complete a set of hard tasks, the arena asks whether people prefer its answers. Grok 4.7's index rank of 30 against an arena rank of 89 says something specific — that its capability does not translate into preference at the same rate as its peers'. M​use Spark 1.3's absence says something less specific but not neutral: the evidence for how people react to its output is simply missing.

ข้อกล่าวอ้างของผู้ขาย แยกไว้ต่างหาก

ชุดตัวเลขด้านล่างนี้ทั้งสองชุดไม่ได้ถูกทำซ้ำโดยเรา และรายการทั้งสองไม่ได้มีค่าประเมินที่ตรงกันมากพอที่จะนำมาลบออกจากกัน

ประกาศของ x​AI รายงานว่า Grok 4.7 ทำได้ 46.3% ใน CursorBench 4.0, 37.6% ใน Terminal-Bench 4.0, 64.0% ใน EEBench, 71.0% ใน DeepSWE v1.1 ที่ high effort, 19.6% ใน Harvey Legal Agent, 56.7% ใน HealthBench Professional และ GDPval Elo 1695 ที่ xhigh

M​eta's scorecard for M​use Spark 1.3 reports DeepSWE v1.1 at 75.4, OSWorld 2.0 at 66.9, Terminal-Bench 2.1 at 76.4 with the Terminus 2 agent, MCP-Atlas at 89.2, GDPval-AA v2 at 1,754, SciCode at 58.5, HLE-Diamond without tools at 26.1 and JobBench at 61.8.

The temptation is to read 75.4 against 71.0 on DeepSWE and call it a four-point M​eta win. Do not: x​AI publishes its figure at high effort while M​eta's best score belongs to the max setting, and the two companies ran different harnesses. What the two lists genuinely establish is the shape of the disagreement, not its size.

อะไรที่ทำให้การตัดสินใจเปลี่ยนไปในทางปฏิบัติ

• ขนาดพรอมป์ต์ — หากพรอมป์ต์ของคุณเกิน 200,000 โทเคน การกำหนดราคาใหม่ตามเกณฑ์ขั้นของ Grok 4.7 เป็นรายการที่ใหญ่ที่สุดเพียงรายการเดียวในการเปรียบเทียบนี้ และเป็นสิ่งที่ทำให้ตารางราคาต่อโทเคนชวนให้เข้าใจผิด

• Retrieval and long context — M​use Spark 1.3's 1M window against Grok 4.7's 500K is a real capability difference for whole-repository or whole-document work, not a spec-sheet flourish.

• Output volume — both models are verbose; Grok 4.7 more so at 240M tokens on the index against 170M. If your bill is dominated by output tokens, you are choosing between two expensive options, and the cheaper one is M​use Spark.

• Reasoning controls — Grok 4.7 exposes low, medium, high and xhigh, defaulting to high. M​use Spark 1.3 runs from minimal to max. Neither can be turned off entirely.

• Streaming and structured output — Grok 4.7 supports function calling and structured outputs, and its Responses API always returns encrypted reasoning content; batch processing is not supported. If you depend on batch pricing, that is a disqualifier on G​rok's side and worth checking against M​use Spark's own API terms before you assume the same.

• Preference risk — if your product's quality bar is set by user judgement rather than by benchmark completion, Grok 4.7 has a measured — if unflattering — arena position and M​use Spark 1.3 has none. Neither number is a reason to migrate; the absence of one is a reason to run your own comparison.

การวางทั้งคู่ไว้บนปลายทางเดียว

Grok 4.7 is on OrcaRouter, along with the two Muse Spark checkpoints we serve, Muse Spark 1.2 and Muse Spark 1.1, at each provider's list price with 0% markup passed through — one API across 200+ models, automatic failover between them, and a routing DSL for splitting traffic by rule. That combination is the cheapest way to answer the question this article cannot answer for you. The 200K threshold on G​rok's side makes a particularly good candidate for a routing rule: cap G​rok at the threshold, send the oversized requests to a model with a flat rate, and let failover handle the day one of them degrades.

Two disclosures. M​use Spark 1.3 itself is not in our catalogue, so the M​use Spark side of any test you run here starts at 1.2 — the checkpoint Artificial Analysis measures one point below M​use Spark Open, and one that now carries a deprecation notice pointing at 1.3. And the only numbers in this piece we would defend as measurements are the Artificial Analysis rows; the vendor figures on both sides are claims, and the LMArena placement is preliminary by its own marking.

อันไหน วันนี้

If you are choosing on published, independent evidence and your workload is long-context, video-in, cache-heavy or cost-sensitive, M​use Spark 1.3 is the stronger model on nearly every line and the cheaper one per completed task by a factor of 2.3. If your workload lives under 200,000 tokens, depends on structured output and function calling, benefits from a vendor-run fast tier, or is judged by users rather than by benchmark completion, Grok 4.7 has a coherent case that the index comparison does not capture — and it is the only one of the two with a human-preference number at all. The honest summary is that this matchup is decided by prompt size and by who is grading the output, and by almost nothing else on either scorecard.

ช่องว่างระหว่างสิ่งที่สกอร์บอร์ดวัดค่าได้กับสิ่งที่การนำไปใช้งานจริงต้องเผชิญ คือเหตุผลที่บันทึกนี้มีความสำคัญคลังเหตุการณ์ AI ของ OrcaRouter ซึ่งเป็นที่รวบรวมความล้มเหลวของ AI และเหตุการณ์ที่เกิดกับเอเจนต์ของโมเดลในระดับนี้ที่ได้รับการบันทึกไว้ โดยแต่ละรายการมีแหล่งอ้างอิงของตัวเอง มีระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งกำกับไว้