Ripple 65B Preview กับ Grok 4.7: คุณเชื่อ benchmark ตัวไหนกันแน่?

Ripple 65B Preview เปิดตัวเมื่อวันที่ 4 พฤศจิกายน 2026 พร้อมเรื่องราวเกี่ยวกับขนาด: โมเดลเปิดน้ำหนักขนาด 65 พันล้านพารามิเตอร์จาก Ricursive Intelligence ที่เอาชนะ Meta's 816B Muse Spark Open, Thinking Machines' 975B Inkling และ NVIDIA's 550B Nemotron 3 Ultra ในการเขียนโค้ดแบบเอเจนต์ Grok 4.7 เล่าเรื่องที่ต่างออกไป มันเป็นโมเดลปิดของ xAI ที่เปิดตัวเมื่อวันที่ 21 กันยายน 2026 โดยได้ 35 คะแนนบน Intelligence Index v5.0.1 ของ Artificial Analysis — ต่ำที่สุดในบรรดาโมเดลที่ใกล้เคียงระดับแนวหน้าในกลุ่มราคานี้ — และยังเอาชนะ Ripple 65B Preview ได้ 27 คะแนนบนเกณฑ์วัดการเขียนโค้ดเพียงหนึ่งเดียวที่ทั้งสองแล็บเผยแพร่ในเวอร์ชันเดียวกัน สองโมเดล สองเรื่องราวของเกณฑ์วัด ที่ชี้ไปในทิศทางตรงกันข้าม คำถามที่น่าสนใจไม่ใช่โมเดลไหนดีกว่า แต่คือเกณฑ์วัดใดที่คุณยินดีเดิมพันกับเวิร์กโหลดโปรดักชัน

การกลับด้าน กล่าวอย่างตรงไปตรงมา

การ์ดของ Grok 4.7 รายงาน DeepSWE v1.1 ที่ 71.0 การ์ดของ Ripple รายงาน 44.3 เป็น benchmark เดียวกัน เวอร์ชันเดียวกัน ทั้งคู่รายงานโดยผู้ขาย ไม่มีความกำกวมของ harness ให้โต้แย้ง Grok ชนะ 26.7 คะแนนในงานเอเจนต์ด้านวิศวกรรมซอฟต์แวร์

ตอนนี้มาดูอีกทิศทางหนึ่ง Ripple รายงาน Terminal-Bench 2.1 ที่ 80.52 Grok รายงาน Terminal-Bench 4.0 ที่ 38.0 สองอันนี้เทียบกันไม่ได้ — 2.1 เป็นแพตช์ 89 งานของชุด 2.0 ส่วน 4.0 เป็นชุดงานที่สร้างใหม่พร้อมการตรวจสอบการโกงเชิงปฏิปักษ์และระยะเวลาหมดเวลาแปดชั่วโมง ซึ่งทำให้คะแนน frontier ทุกตัวทรุดลงทันทีเมื่อเจอ — แต่ทิศทางของช่องว่างนั้นกว้างมากจนแค่เวอร์ชันอย่างเดียวน่าจะอธิบายไม่ได้ 38.0 ของ Grok ต่ำแม้สำหรับ 4.0; Claude Opus 5.5 รายงาน 66.4 ที่นั่น และ GPT-6.1 Sol ประมาณ 55

ดังนั้นโมเดลคู่เดียวกันจึงทำให้ Grok ชนะ 27 คะแนนบน benchmark หนึ่ง และทำให้ Ripple ชนะ 42 คะแนนบนอีก benchmark หนึ่ง หนึ่งในการทดสอบสองรายการนั้นวัดบางสิ่งบางอย่างที่อีกอันไม่ได้วัด และผู้ซื้อจำเป็นต้องรู้ว่าอันไหนคล้ายกับภาระงานของตน

สิ่งที่ Terminal-Bench และ DeepSWE ต่างให้รางวัล

Terminal-Bench เป็นเบนช์มาร์กงานเชลล์ เอเจนต์จะได้รับคอนเทนเนอร์ เป้าหมาย และขีดจำกัดเวลา และจะถูกให้คะแนนจากว่าสถานะสุดท้ายของระบบไฟล์และบริการถูกต้องหรือไม่ เวอร์ชัน 2.1 แก้ไข 28 จาก 89 งานสำหรับการพึ่งพาที่เสียหาย ทรัพยากรไม่สอดคล้องกัน และการระบุสเปกผิด เวอร์ชัน 4.0 ตัดงานออกแปดงาน แก้ไขเพิ่มอีกสิบเก้างาน และเพิ่มการตรวจสอบต้านการดัดแปลงโดยเฉพาะ เพราะเอเจนต์กำลังหาวิธีผ่านโดยไม่ทำงานจริง การศึกษาของ Berkeley RDI แสดงให้เห็นเอเจนต์โจมตีอัตโนมัติที่ทำได้ 100% บน SWE-bench Pro และ Terminal-Bench โดยไม่แก้ไขงานแม้แต่งานเดียว ด้วยการเขียนทับ parser หรือฝังโทรจันใน curl ภายในคอนเทนเนอร์ การปรับเวอร์ชันทุกครั้งตั้งแต่นั้นมาจึงเป็นการแข่งขันทางอาวุธกับเรื่องนี้

DeepSWE มีรูปแบบที่แตกต่างออกไป: งานวิศวกรรมซอฟต์แวร์ระยะยาวบนรีโพซิทอรีจริง ซึ่งเอเจนต์ต้องรักษาแผนไว้ตลอดการแก้ไขหลายครั้ง มันให้รางวัลกับความเพียรพยายามและการจัดการบริบทมากกว่าการใช้เชลล์อย่างชาญฉลาด โมเดลหนึ่งอาจเก่งมากในด้านหนึ่งและปานกลางในอีกด้านหนึ่ง และแล็บสองแห่งนี้ดูเหมือนจะปรับแต่งให้เหมาะกับคนละครึ่งกัน

นั่นคือสิ่งที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้ หากเอเจนต์ของคุณอยู่ในคอนเทนเนอร์และทำงานด้านระบบ เช่น การบิลด์ การย้ายระบบ และการซ่อมแซมโครงสร้างพื้นฐาน ลำดับของ Terminal-Bench คือสิ่งที่เกี่ยวข้อง และตัวเลข 80.5 ของ Ripple ก็สำคัญ หากเอเจนต์ของคุณแก้ไขโค้ดเบสขนาดใหญ่ผ่านหลายร้อยเทิร์น DeepSWE จะใกล้เคียงกับงานนั้นมากกว่า และตัวเลข 71.0 ของ Grok ก็สำคัญ

โปรไฟล์จริงของ Grok 4.7

Grok 4.7 เป็นโมเดลการให้เหตุผลที่มีระดับความพยายามสี่ระดับ — low, medium, high และ xhigh — โดย high เป็นค่าเริ่มต้น และไม่สามารถปิดการให้เหตุผลได้ทั้งหมด นั่นเป็นเรื่องผิดปกติ และส่งผลต่อค่าใช้จ่าย: ทุกการเรียกใช้ต้องจ่ายสำหรับโทเค็นการคิดไม่ว่างานจะต้องการหรือไม่ก็ตาม โมเดลนี้มีหน้าต่างบริบทขนาด 500,000 โทเค็น รองรับข้อความและรูปภาพ และส่งคืนข้อความ

• ราคา — Grok อินพุต $2.00 / เอาต์พุต $6.00 ต่อล้านโทเค็นเมื่ออินพุตต่ำกว่า 200K, $4.00 / $12.00 เมื่อสูงกว่า; Ripple ไม่มีราคาตามรายการ อัตราแบบโฮสต์อยู่ที่ประมาณ $0.20 / $0.60

• บริบท — Grok 500K เทียบกับ Ripple ที่อ้างว่าสูงถึง 1M

• คะแนนอิสระ — Grok 35 บน AA index v5.0.1 ที่ $7.77 ต่อภารกิจดัชนี; Ripple ไม่ถูกจัดอันดับ

• ความเร็วเอาต์พุต — Grok วัดได้ 72 tok/s; Ripple อ้างว่า 250 tok/s บน 2×B200

• สัญญาอนุญาต — Grok เป็นซอฟต์แวร์กรรมสิทธิ์ ใช้ผ่าน API เท่านั้น; Ripple ใช้สัญญาอนุญาต Apache 2.0

• DeepSWE v1.1 — Grok 71.0 เทียบกับ Ripple 44.3

• เปิดตัว — Grok 21 กันยายน 2026 เทียบกับ Ripple 4 พฤศจิกายน 2026

รายละเอียดการเรียกเก็บเงินที่ทำให้หลายคนพลาดคือเกณฑ์ 200,000 โทเคน เมื่อข้ามเกณฑ์นี้ ระบบจะคิดเงินคำขอทั้งหมดใหม่ในอัตราที่สูงขึ้น ไม่ใช่คิดเฉพาะส่วนที่เกิน การเรียกที่มี 210K โทเคนจึงมีค่าใช้จ่ายเป็นสองเท่าของการเรียกที่มี 199K โทเคน เมื่อมีหน้าต่าง 500K และเปิดโหมดให้เหตุผลตลอดเวลา จึงเผลอชนเกณฑ์นี้ได้ง่าย

กับดักผลลัพธ์ต้นทุนต่ำ

หกดอลลาร์ต่อล้านโทเค็นเอาต์พุตเป็นอัตราที่ต่ำที่สุดในบรรดาโมเดลแบบปิดในการเปรียบเทียบนี้ — Opus 5.5 อยู่ที่ $20 ส่วน Sol และ Argon อยู่ที่ $10 — และเป็นตัวเลขที่การนำเสนอขายของ Grok ใช้เป็นหลัก มันยังเป็นตัวเลขที่มีแนวโน้มจะทำให้เข้าใจผิดมากที่สุด

มีสองปัจจัยที่กัดกร่อนความได้เปรียบนี้ ประการแรก การใช้เหตุผลเป็นสิ่งบังคับ ดังนั้นส่วนที่มีนัยสำคัญของสิ่งที่คุณถูกเรียกเก็บเงินคือการคิดที่คุณไม่ได้ขอ Artificial Analysis วัด Grok 4.7 อยู่ที่ต้นทุนการประมวลผล $7.77 ต่องานดัชนี ซึ่งเป็นหกเท่าของ $1.27 ของ GPT-6.1 Sol และสูงกว่า $10.04 ของ Opus 5.5 เพียงนิดเดียว — แม้อัตราเอาต์พุตที่ประกาศไว้จะอยู่ที่เพียงหนึ่งในสามของ Opus ประการที่สอง มีรายงานว่าโมเดลใช้โทเค็นต่องานประมาณสองเท่าของ Grok 4.6 สำหรับงานลักษณะเดียวกัน โทเค็นราคาถูกคูณด้วยโทเค็นที่มากขึ้นไม่ใช่การประหยัด

เศรษฐศาสตร์ของ Ripple มีรูปแบบตรงกันข้ามและเข้าใจผิดได้ง่ายพอๆ กัน ไม่มีตารางราคาเลย: เวตของโมเดลเป็น Apache 2.0 และต้นทุนคือ GPU ที่ 250 โทเคนต่อวินาทีบน B200 สองตัวใน BF16 ปริมาณงานต่อดอลลาร์ยอดเยี่ยมหากคุณทำให้ GPU ทำงานเต็มที่ และแย่มากหากไม่ทำ อัตราแบบโฮสต์ที่ราว $0.20 สำหรับอินพุตและ $0.60 สำหรับเอาต์พุต คือการตัดจำหน่ายต้นทุนของคนอื่นจาก trade-off นั้นเอง

งานระยะยาว ซึ่งเป็นจุดที่ตัวเลขของ Grok แข็งแกร่งที่สุด

แถวข้อมูลที่การเปิดตัวของ Grok เน้นย้ำคือแถวของมาราธอน: SWE-Marathon v1.1 ที่ 46.0 เพิ่มขึ้นจาก 31.9 ของ Grok 4.6, FrontierSWE V2 ที่ 29.5 และ CursorBench 4.0 ที่ 46.3 เทียบกับ 40.4 สิ่งเหล่านี้เป็นเบนช์มาร์กเกี่ยวกับความพยายามอย่างต่อเนื่องภายในงานยาวเพียงงานเดียว และค่าเหล่านี้พัฒนาขึ้นระหว่าง 4.6 กับ 4.7 มากกว่าคะแนนแบบเทิร์นเดียวเสียอีก กรอบการนำเสนอของ xAI เอง — ราคาเดียวกัน ระยะที่ยาวขึ้น — นั้นถูกต้องแม่นยำ

ข้อโต้แย้งของ Ripple เป็นเรื่องเชิงสถาปัตยกรรม โมเดล dense 80 ชั้นที่มีหน้าต่าง 1M และผ่านการฝึกในขั้น long-context ขนาด 2M โทเคน ถูกออกแบบมาให้รองรับ working set ขนาดใหญ่ และโมเดล dense 65B ก็ไม่มี expert-routing ที่จะเกิดข้อผิดพลาดเมื่อขยายสเกล สิ่งนี้จะแปลเป็นพฤติกรรมแบบ long-horizon ที่ดีขึ้นหรือไม่ เป็นคำถามที่ไม่มี benchmark ที่เผยแพร่แล้วใดตอบได้ เพราะ Ripple ยังไม่ถูกทดสอบบน SWE-Marathon หรือ FrontierSWE

จะทำอะไรกับสิ่งนี้ดี

อย่าเลือกระหว่างสองตัวนี้โดยดูจากกราฟเปรียบเทียบประสิทธิภาพ จงเลือกจากลักษณะของงานและลักษณะของบิล

ระบบที่ทำงานบนคอนเทนเนอร์ ความสามารถในการรัน GPU ของคุณเอง และข้อกำหนดการอนุญาตใช้งานที่ทำให้ต้องยุติการสนทนากับ API แบบปิด: Ripple 65B Preview คือการทดลองที่เหมาะสม และคะแนน 80.5 บน Terminal-Bench 2.1 — การเปรียบเทียบแบบเทียบเคียงกับโมเดล open-weight อื่น ๆ บนแผนภูมินั้น — คือหลักฐานที่ยืนยันเรื่องนี้ การแก้ไขในระดับรีโพซิทอรีตลอดช่วงเวลาที่ยาวนาน: คะแนน 71.0 ของ Grok 4.7 บน DeepSWE เป็นสัญญาณจากเวอร์ชันเดียวกันที่แข็งแกร่งที่สุดในทั้งสองทิศทาง และคะแนน marathon ของมันก็สนับสนุนสิ่งนี้

วันนี้ Grok 4.7 สามารถกำหนดเส้นทางผ่าน OrcaRouter ได้ในราคาตามรายการของ xAI โดยบวกเพิ่ม 0% ควบคู่ไปกับโมเดลอื่นอีกกว่า 200 โมเดลบนคีย์เดียว — รวมถึงระดับความพยายามทั้งสี่ระดับ ดังนั้นการเรียกคัดกรองแบบประหยัดกับการยกระดับเป็น xhigh จึงอยู่หลังปลายทางเดียวกันได้ พร้อมการสลับสำรองอัตโนมัติหาก xAI มีปัญหาขัดข้อง เรื่องนี้สำคัญกว่าปกติสำหรับ Grok เพราะต้นทุนต่องานของมันถูกกำหนดโดยปริมาณโทเค็นมากกว่าราคาตามรายการ การกำหนดเส้นทางการเรียกที่ง่ายไปยังโมเดลที่ถูกกว่าจึงเปลี่ยนบิลรวมมากกว่าที่อัตรา $6 จะทำได้อย่างมีนัยสำคัญ Ripple ไม่ได้อยู่ในแค็ตตาล็อก ดังนั้นการแยกแบบนั้นจึงไม่สามารถใช้ได้กับมัน

ตัวเลขที่ใช้ตัดสินการเปรียบเทียบนี้ยังไม่มีอยู่: Ripple 65B Preview ยังไม่มีการรัน DeepSWE ซ้ำโดยฮาร์เนสที่เป็นกลาง และยังไม่มีรายการใน Artificial Analysis จนกว่าจะมี สิ่งเดียวที่พูดได้อย่างซื่อตรงคือ Grok 4.7 ดีกว่าอย่างวัดได้ในงานที่เกี่ยวกับรีโพซิทอรีขนาดยาว และ Ripple ดีกว่าอย่างวัดได้ในงานเชลล์ และเบนช์มาร์กที่คุณจำชื่อได้ไม่ใช่ตัวที่คล้ายกับภาระงานของคุณโดยอัตโนมัติ