Ripple 65B Preview 对比 Grok 4.7：你到底信哪个基准测试？

Ripple 65B Preview 于 2026 年 11 月 4 日发布，讲述的是一个关于规模的故事：来自 Ricursive Intelligence 的 650 亿参数开放权重模型，在智能体编程上击败了 Meta 的 816B Muse Spark Open、Thinking Machines 的 975B Inkling 和 NVIDIA 的 550B Nemotron 3 Ultra。Grok 4.7讲述的则是另一个故事。它是 xAI 于 2026 年 9 月 21 日发布的闭源模型，在 Artificial Analysis 的 Intelligence Index v5.0.1 上得分为 35——是该价格档位内所有准前沿模型中最低的——但在两家实验室以同一版本发布的唯一一项编程基准上，它仍以 27 分优势击败 Ripple 65B Preview。两个模型，两套基准故事，指向相反的方向。有趣的问题不是哪个模型更好，而是你愿意把生产工作负载押在哪种测量上。

直白地说，这个反转

Grok 4.7 的卡片报告 DeepSWE v1.1 成绩为 71.0。Ripple 的卡片报告为 44.3。同一基准、同一版本，均为厂商自行报告，不存在测试框架歧义可争论。在软件工程智能体任务上，Grok 以 26.7 分领先。

现在看另一个方向。Ripple 报告 Terminal-Bench 2.1 为 80.52。Grok 报告 Terminal-Bench 4.0 为 38.0。这两者不可比——2.1 是 2.0 任务集的 89 项任务补丁，4.0 是重建的任务集，带有对抗作弊检查和八小时超时，一经接触就让所有前沿分数崩塌——但差距的方向如此之大，单凭版本可能无法解释。Grok 的 38.0 即便对 4.0 来说也偏低；Claude Opus 5.5 在那里报告 66.4，GPT-6.1 Sol 约为 55。

所以，同一对模型在一个基准测试上让 Grok 以 27 个百分点的优势胜出，而在另一个基准测试上让 Ripple 以 42 个百分点的优势胜出。这两项测试中，有一项在衡量另一项没有衡量的东西，而买家需要知道哪一项更接近他们的工作负载。

Terminal-Bench 和 DeepSWE 各自奖励什么

Terminal-Bench 是一个 shell 任务基准测试。智能体获得一个容器、一个目标和一个时间限制，并根据文件系统与服务的最终状态是否正确来评分。2.1 版修复了 89 个任务中的 28 个，涉及依赖损坏、资源不匹配和规格说明错误；4.0 版淘汰了八个任务，又修复了十九个，并专门增加了防篡改检查，因为智能体一直在寻找不实际完成任务就能通过的方法。Berkeley RDI 的一项研究表明，一个自动化漏洞利用智能体在 SWE-bench Pro 和 Terminal-Bench 上达到 100%，却没有解决任何一个任务，其方法是覆盖解析器或在容器内对 curl 进行木马化。此后的每一次版本升级都是针对这一点的军备竞赛。

DeepSWE 是另一种形态：在真实代码库上进行长周期软件工程，智能体必须在多次编辑中始终保持一个计划。它更看重持久性和上下文管理，而不是巧妙的 shell 操作。一个模型可能在一方面表现出色，在另一方面却表现平平，而这里的两个实验室似乎各自针对不同的半部分进行了优化。

这是本次对比中最有用的部分。如果你的智能体在容器中从事系统工作——构建、迁移、基础设施修复——那么 Terminal-Bench 的排序才是相关的，Ripple 的 80.5 才重要。如果你的智能体要在数百轮中编辑大型代码库，DeepSWE 更接近这项工作，Grok 的 71.0 才重要。

Grok 4.7 的真实概况

Grok 4.7 是一个推理模型，具有四个推理强度级别——low、medium、high 和 xhigh——其中 high为默认级别，并且推理无法完全关闭。这并不常见，而且会带来成本影响：无论任务是否需要，每次调用都要为思考 token 付费。该模型具有 500,000 token 的上下文窗口，接受文本和图像输入，返回文本。

• 价格 — Grok 在输入低于 200K 时，每百万 token 输入 $2.00 / 输出 $6.00；高于 200K 时，输入 $4.00 / 输出 $12.00；Ripple 没有标价，托管费率约为 $0.20 / $0.60

• 背景 — Grok 500K 对比 Ripple 声称的最高 1M

• 独立评分 — Grok 35 在 AA 指数 v5.0.1 上，每项指数任务 7.77 美元；Ripple 未排名

• 输出速度——实测 Grok 为 72 tok/s；Ripple 宣称在 2×B200 上可达 250 tok/s

• 许可证 — Grok 为专有且仅提供 API；Ripple 采用 Apache 2.0

• DeepSWE v1.1 — Grok 71.0 对比 Ripple 44.3

• 发布 — Grok 2026年9月21日 vs Ripple 2026年11月4日

20 万 token 这个阈值是容易让人吃亏的计费细节：一旦超过，就会按更高费率对整次请求重新计费，而不只是对超出部分计费。一次 21 万 token 的调用，费用是一次 19.9 万 token 调用的两倍。窗口有 50 万 token，而且推理始终开启，很容易不小心触发。

廉价输出的陷阱

每百万输出 token 六美元，是本次对比中闭源模型里最低的价格——Opus 5.5 为 20 美元，Sol 和 Argon 均为 10 美元——这也是 Grok 宣传中最依赖的数字。同时，它也是最容易产生误导的数字。

有两件事侵蚀了这一优势。首先，推理是强制开启的，因此你付费的内容中有相当一部分是你并未要求的思考。Artificial Analysis 测得 Grok 4.7 每项索引任务的算力成本为 7.77 美元，是 GPT-6.1 Sol 的 1.27 美元的六倍，仅比 Opus 5.5 的 10.04 美元略高——尽管其标称输出费率仅为 Opus 的三分之一。其次，据报道，在类似工作中，该模型每项任务消耗的 token 大约是 Grok 4.6 的两倍。便宜的 token 乘以更多 token 并不等于节省。

Ripple 的经济账形态相反，也同样容易被误读。根本不存在价目表：权重采用 Apache 2.0，成本则是 GPU。在两块 B200 上以 BF16 达到每秒 250 个 token 时，只要让 GPU 保持忙碌，每美元吞吐量就非常出色；反之则很糟糕。输入接近 0.20 美元、输出接近 0.60 美元的托管费率，正是别人对这笔取舍的摊销。

长周期工作，这是 Grok 数据表现最强的领域

Grok 发布时重点强调的是一系列马拉松式基准：SWE-Marathon v1.1 为 46.0，高于 Grok 4.6 的 31.9；FrontierSWE V2 为 29.5；CursorBench 4.0 为 46.3，而此前为 40.4。这些基准衡量的是在单个长任务中持续投入的能力，而它们在 4.6 到 4.7 之间的提升幅度远大于单轮测试分数。xAI 自己的说法——价格不变，任务跨度更长——是准确的。

Ripple 的反制在架构层面。一个拥有 1M 窗口、经由 2M token 长上下文阶段训练的 80 层稠密模型，生来就能承载很大的工作集；而一个 65B 稠密模型在规模扩展时也没有专家路由会出错。至于这是否会转化为更好的长程行为，恰恰没有任何已发表的基准能回答，因为 Ripple 尚未在 SWE-Marathon 或 FrontierSWE 上运行过。

这个该怎么办

不要凭一张基准测试图表就在这两者之间做选择。要根据工作的形态和账单的形态来选择。

基于容器的系统可正常运行、能够在自己的 GPU 上运行，以及一项会让闭源 API 直接出局的许可要求：Ripple 65B Preview 正是合适的实验对象，而它在 Terminal-Bench 2.1 上的 80.5 分——与该图表上其他开放权重模型进行同类对比——就是支持它的证据。长时程下的仓库级编辑：Grok 4.7 在 DeepSWE 上的 71.0 分是任一方向上最强的同版本信号，而其马拉松分数也印证了这一点。

Grok 4.7 现已可通过 OrcaRouter 按 xAI 的标价、以 0% 加价进行路由，并与另外 200 多个模型共用同一个密钥——其中包括四档推理投入级别，因此廉价的初筛调用和 xhigh 升级调用可以置于同一个端点之后，并且在 xAI 服务降级时可自动故障转移。这对 Grok 来说比平时更重要，因为它的单任务成本主要由 token 用量而非标价决定；将简单调用路由到更便宜的模型，对混合账单的影响远大于 6 美元的费率。Ripple 不在目录中，因此该特定分流方案不适用于它。

能一锤定音解决这一比较的数字还不存在：Ripple 65B Preview 尚未由中立测试框架重新运行 DeepSWE，也没有 Artificial Analysis 条目。在它出现之前，唯一诚实的说法是：Grok 4.7 在长仓库工作上可测量地更好，而 Ripple 在 shell 任务上可测量地更好；你认得名字的基准测试，并不自动就是与你的工作负载相似的那个。