Ripple 65B Preview so với Grok 4.7: Bạn thực sự tin vào benchmark nào?

Ripple 65B Preview ra mắt ngày 4 tháng 11 năm 2026 với một câu chuyện về quy mô: một mô hình trọng số mở 65 tỷ tham số của Ricursive Intelligence đánh bại Muse Spark Open 816B của Meta, Inkling 975B của Thinking Machines và Nemotron 3 Ultra 550B của NVIDIA trong lập trình agentic. Grok 4.7 lại kể một câu chuyện khác. Đây là một mô hình đóng của xAI ra mắt ngày 21 tháng 9 năm 2026, đạt 35 điểm trên Intelligence Index v5.0.1 của Artificial Analysis — mức thấp nhất trong số bất kỳ mô hình nào gần mức tiên phong ở phân khúc giá này — và vẫn đánh bại Ripple 65B Preview 27 điểm trên bài benchmark lập trình duy nhất mà cả hai phòng thí nghiệm đều công bố ở cùng phiên bản. Hai mô hình, hai câu chuyện benchmark, chỉ về hai hướng ngược nhau. Câu hỏi thú vị không phải là mô hình nào tốt hơn. Mà là bạn sẵn sàng đặt cược khối lượng công việc production vào phép đo nào.

Sự đảo ngược, nói một cách đơn giản

Thẻ của Grok 4.7 báo cáo DeepSWE v1.1 đạt 71,0. Thẻ của Ripple báo cáo 44,3. Cùng một benchmark, cùng phiên bản, đều do nhà cung cấp tự báo cáo, không có sự mơ hồ nào về harness để tranh cãi. Grok thắng 26,7 điểm ở mảng công việc agent kỹ thuật phần mềm.

Giờ đến chiều ngược lại. Ripple báo cáo Terminal-Bench 2.1 đạt 80,52. Grok báo cáo Terminal-Bench 4.0 đạt 38,0. Hai con số này không thể so sánh với nhau — 2.1 là một bản vá gồm 89 tác vụ của bộ 2.0, còn 4.0 là một bộ tác vụ được xây dựng lại với các kiểm tra chống gian lận đối kháng và thời gian chờ tám giờ, thứ đã làm sụp đổ mọi điểm số tiên phong ngay khi tiếp xúc — nhưng chiều hướng của khoảng cách lớn đến mức chỉ riêng phiên bản có lẽ không giải thích được điều đó. Mức 38,0 của Grok là thấp ngay cả với 4.0; Claude Opus 5.5 báo cáo 66,4 ở đó và GPT-6.1 Sol khoảng 55.

Vậy là cùng một cặp mô hình tạo ra chiến thắng 27 điểm cho Grok trên một bộ đánh giá và chiến thắng 42 điểm cho Ripple trên một bộ khác. Một trong hai bài kiểm tra đó đang đo lường điều gì đó mà bài kia không đo, và người mua cần biết bài nào giống với khối lượng công việc của họ.

Terminal-Bench và DeepSWE mỗi bên thưởng cho điều gì

Terminal-Bench là một benchmark tác vụ shell. Tác nhân nhận được một container, một mục tiêu và một giới hạn thời gian, và được chấm điểm dựa trên việc trạng thái cuối cùng của hệ thống tệp và các dịch vụ có đúng hay không. Phiên bản 2.1 đã sửa 28 trong số 89 tác vụ do phụ thuộc bị hỏng, tài nguyên không khớp và đặc tả sai; phiên bản 4.0 loại bỏ tám tác vụ, sửa thêm mười chín tác vụ và bổ sung các kiểm tra chống giả mạo cụ thể vì các tác nhân đang tìm cách vượt qua mà không làm việc. Một nghiên cứu của Berkeley RDI cho thấy một tác nhân khai thác tự động đạt 100% trên SWE-bench Pro và Terminal-Bench mà không giải được một tác vụ nào, bằng cách ghi đè trình phân tích cú pháp hoặc cấy trojan vào curl bên trong container. Mỗi lần tăng phiên bản kể từ đó là một cuộc chạy đua vũ trang chống lại điều đó.

DeepSWE mang một hình thái khác: kỹ thuật phần mềm tầm xa trên các kho mã thực tế, nơi tác nhân phải giữ vững một kế hoạch xuyên suốt nhiều lần chỉnh sửa. Nó đề cao sự bền bỉ và khả năng quản lý ngữ cảnh hơn là những thao tác shell khéo léo. Một mô hình có thể xuất sắc ở mặt này nhưng chỉ tầm trung ở mặt kia, và hai phòng thí nghiệm ở đây dường như đã tối ưu hóa cho hai nửa khác nhau.

Đó là điều hữu ích nhất trong so sánh này. Nếu các agent của bạn sống trong container làm công việc hệ thống — build, migration, sửa chữa hạ tầng — thì thứ hạng Terminal-Bench là thứ liên quan và mức 80.5 của Ripple có ý nghĩa. Nếu các agent của bạn chỉnh sửa một cơ sở mã lớn qua hàng trăm lượt, thì DeepSWE gần với công việc hơn và mức 71.0 của Grok có ý nghĩa.

Hồ sơ thực tế của Grok 4.7

Grok 4.7 là một mô hình suy luận với bốn mức nỗ lực — low, medium, high và xhigh — trong đó high là mặc định và không thể tắt hoàn toàn khả năng suy luận. Điều này khá bất thường và kéo theo hệ quả về chi phí: mọi lần gọi đều phải trả phí cho các token suy nghĩ dù tác vụ có cần hay không. Mô hình có cửa sổ ngữ cảnh 500.000 token, chấp nhận văn bản và hình ảnh, đồng thời trả về văn bản.

• Giá — Grok $2.00 đầu vào / $6.00 đầu ra mỗi triệu token khi đầu vào dưới 200K, $4.00 / $12.00 khi trên 200K; Ripple không có giá niêm yết, mức giá dịch vụ lưu trữ khoảng $0.20 / $0.60

• Bối cảnh — Grok 500K so với Ripple được tuyên bố lên tới 1M

• Điểm độc lập — Grok 35 trên AA index v5.0.1 với $7.77 cho mỗi tác vụ chỉ mục; Ripple không được xếp hạng

• Tốc độ đầu ra — Grok đo được 72 tok/s; Ripple tuyên bố đạt 250 tok/s trên 2×B200

• Giấy phép — Grok độc quyền, chỉ qua API; Ripple Apache 2.0

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

• Phát hành — Grok 21 tháng 9 năm 2026 so với Ripple 4 tháng 11 năm 2026

Ngưỡng 200.000 token là chi tiết thanh toán khiến nhiều người bị vướng: vượt qua ngưỡng này sẽ tính lại toàn bộ yêu cầu theo mức giá cao hơn, chứ không chỉ phần vượt. Một cuộc gọi 210K token tốn gấp đôi so với cuộc gọi 199K token. Với cửa sổ 500K và chế độ suy luận luôn bật, rất dễ vô tình vượt ngưỡng.

Cái bẫy đầu ra giá rẻ

Sáu đô la cho mỗi triệu token đầu ra là mức giá thấp nhất trong số các mô hình đóng trong so sánh này — Opus 5.5 là 20 đô la, Sol và Argon là 10 đô la — và đó là con số mà bài quảng bá của Grok dựa vào. Đó cũng là con số dễ gây hiểu lầm nhất.

Hai điều làm xói mòn lợi thế. Thứ nhất, suy luận là bắt buộc, nên một phần đáng kể chi phí bạn bị tính là cho việc suy nghĩ mà bạn không yêu cầu. Artificial Analysis đo Grok 4.7 tốn 7,77 USD chi phí tính toán cho mỗi tác vụ index, gấp sáu lần mức 1,27 USD của GPT-6.1 Sol và chỉ cao hơn mức 10,04 USD của Opus 5.5 một chút xíu — dù tốc độ đầu ra danh nghĩa chỉ bằng một phần ba của Opus. Thứ hai, mô hình được cho là tiêu thụ lượng token mỗi tác vụ gấp khoảng hai lần Grok 4.6 với công việc tương tự. Token rẻ nhân với nhiều token hơn không phải là tiết kiệm.

Mô hình kinh tế của Ripple có hình dạng ngược lại và cũng dễ bị hiểu sai y như vậy. Không hề có bảng giá nào cả: trọng số là Apache 2.0 và chi phí là GPU. Ở tốc độ 250 token mỗi giây trên hai B200 chạy BF16, thông lượng trên mỗi đô-la là tuyệt vời nếu bạn giữ GPU luôn bận, và rất tệ nếu bạn không làm vậy. Mức giá dịch vụ được host gần $0.20 cho đầu vào và $0.60 cho đầu ra chính là cách ai đó khấu hao đúng sự đánh đổi đó.

Công việc dài hạn, lĩnh vực mà các con số của Grok mạnh nhất

Những hạng mục được buổi ra mắt Grok nhấn mạnh là các hạng mục marathon: SWE-Marathon v1.1 đạt 46,0, tăng từ 31,9 của Grok 4.6; FrontierSWE V2 đạt 29,5; và CursorBench 4.0 đạt 46,3 so với 40,4. Đó là những benchmark về nỗ lực bền bỉ trong một tác vụ dài duy nhất, và chúng cải thiện giữa 4.6 và 4.7 nhiều hơn hẳn so với điểm số một lượt. Cách xAI tự diễn giải — cùng giá, chân trời dài hơn — là chính xác.

Điểm đối trọng của Ripple mang tính kiến trúc. Một mô hình dense 80 lớp với cửa sổ 1M, được huấn luyện qua các giai đoạn ngữ cảnh dài 2M token, được xây dựng để chứa một tập làm việc lớn, còn một mô hình dense 65B không có cơ chế định tuyến chuyên gia nào có thể hỏng khi mở rộng quy mô. Liệu điều đó có chuyển hóa thành hành vi tầm xa tốt hơn hay không chính là điều mà không có benchmark công bố nào trả lời, vì Ripple chưa được chạy trên SWE-Marathon hay FrontierSWE.

Làm gì với cái này

Đừng chọn giữa hai phương án này dựa vào một biểu đồ benchmark. Hãy chọn dựa trên hình thái công việc và hình thái hóa đơn.

Các hệ thống dựa trên container hoạt động, khả năng tự chạy GPU của bạn, và một yêu cầu cấp phép chấm dứt cuộc trò chuyện với API đóng: Ripple 65B Preview là thử nghiệm đúng đắn, và điểm 80,5 của nó trên Terminal-Bench 2.1 — một so sánh tương đương với các mô hình open-weight khác trên biểu đồ đó — là bằng chứng cho điều đó. Chỉnh sửa quy mô kho mã trên những chân trời dài: điểm 71,0 của Grok 4.7 trên DeepSWE là tín hiệu cùng phiên bản mạnh nhất ở cả hai chiều, và điểm số marathon của nó củng cố điều đó.

Grok 4.7 hiện có thể được định tuyến qua OrcaRouter theo giá niêm yết của xAI với mức tăng giá 0%, cùng với hơn 200 mô hình khác trên một khóa — bao gồm bốn mức effort, để một cuộc gọi triage rẻ và một lần leo thang xhigh có thể nằm sau cùng một endpoint, và tự động chuyển đổi dự phòng nếu xAI suy giảm. Điều đó quan trọng hơn bình thường đối với Grok, vì chi phí mỗi tác vụ của nó bị chi phối bởi khối lượng token hơn là giá niêm yết; việc định tuyến các cuộc gọi dễ sang một mô hình rẻ hơn thay đổi hóa đơn tổng hợp nhiều hơn mức $6 rất nhiều. Ripple không có trong danh mục, nên cách phân tách cụ thể đó không khả dụng cho nó.

Con số định đoạt cuộc so sánh này vẫn chưa tồn tại: Ripple 65B Preview chưa có lần chạy lại DeepSWE nào bằng một harness trung lập và chưa có mục nào trên Artificial Analysis. Cho đến khi có, điều trung thực duy nhất có thể nói là Grok 4.7 tốt hơn một cách đo đếm được ở công việc trên kho mã dài, còn Ripple tốt hơn một cách đo đếm được ở các tác vụ shell, và bộ đánh giá mà bạn nhận ra tên không tự động là bộ giống với khối lượng công việc của bạn.