Ripple 65B Preview 對上 Grok 4.7：你真正相信哪個基準測試？

Ripple 65B Preview 於 2026 年 11 月 4 日推出，主打一個關於規模的故事：一款來自 Ricursive Intelligence 的 650 億參數開放權重模型，在代理式程式設計上擊敗 Meta 的 816B Muse Spark Open、Thinking Machines 的 975B Inkling 與 NVIDIA 的 550B Nemotron 3 Ultra。Grok 4.7則講述了另一個故事。它是 xAI 於 2026 年 9 月 21 日發布的閉源模型，在 Artificial Analysis 的 Intelligence Index v5.0.1 上得分 35——是此價格區間內所有接近前沿的模型中最低的——而在兩家實驗室以同一版本公布的唯一一項程式設計基準測試上，它仍以 27 分優勢擊敗 Ripple 65B Preview。兩個模型，兩套基準測試敘事，指向相反方向。有趣的問題不是哪個模型更好，而是你願意把生產工作負載押在哪一項量測上。

反轉，直白地說

Grok 4.7 的評測卡回報 DeepSWE v1.1 為 71.0。Ripple 的評測卡回報 44.3。同一個基準、同一個版本，兩者皆為廠商自行回報，沒有評測框架的模糊地帶可爭論。在軟體工程代理工作方面，Grok 以 26.7 分勝出。

現在換另一個方向。Ripple 回報 Terminal-Bench 2.1 為 80.52。Grok 回報 Terminal-Bench 4.0 為 38.0。這兩者不能相提並論——2.1 是 2.0 題組的 89 題修補版，4.0 則是重建的題組，加入了對抗作弊檢查與八小時逾時，一接觸就讓所有前沿分數全面崩落——但這個落差的方向如此之大，單憑版本大概無法解釋。Grok 的 38.0 即使以 4.0 的標準來看也偏低；Claude Opus 5.5 在該處回報 66.4，GPT-6.1 Sol 則約 55。

因此，同一對模型在一項基準測試中讓 Grok 以 27 分勝出，卻在另一項基準測試中讓 Ripple 以 42 分勝出。這兩項測驗中，有一項測到了另一項沒測到的東西，而買家需要知道哪一項更接近他們的工作負載。

Terminal-Bench 與 DeepSWE 各自獎勵什麼

Terminal-Bench 是一項 shell 任務基準測試。代理會取得一個容器、一個目標與一個時間限制，並依據檔案系統與服務的最終狀態是否正確來評分。2.1 版修正了 89 項任務中的 28 項，原因包括相依性損壞、資源不相符與規格錯誤；4.0 版淘汰八項任務、再修正十九項，並特別新增防篡改檢查，因為代理一直找到不實際完成工作也能通過的方法。Berkeley RDI 的一項研究顯示，一個自動化漏洞利用代理在 SWE-bench Pro 與 Terminal-Bench 上達到 100%，卻完全沒有解決任何一項任務，方法是覆寫解析器或在容器內對 curl 進行木馬化。此後每一次版本更新，都是對抗這件事的軍備競賽。

DeepSWE 是另一種形態：在真實儲存庫上進行長時程的軟體工程，代理必須在多次編輯之間維持一份計畫。它更看重持續性與脈絡管理，而非巧妙的 shell 操作。一個模型可能在一方面表現卓越，在另一方面卻表現平平，而這裡的兩個實驗室似乎各自針對不同的那一半進行了最佳化。

這是這項比較中最有用的部分。如果你的代理是在容器中執行系統工作——建置、遷移、基礎設施修復——那麼 Terminal-Bench 的排序就是相關的，而 Ripple 的 80.5 很重要。如果你的代理要在數百個回合中編輯大型程式碼庫，DeepSWE 更接近這項工作，而 Grok 的 71.0 很重要。

Grok 4.7 的實際概況

Grok 4.7 是一款推理模型，提供四種投入等級——low、medium、high 與 xhigh——其中 high 為預設值，且推理功能無法完全關閉。這一點並不尋常，也帶來了成本上的後果：無論任務是否需要，每次呼叫都必須為思考 token 付費。該模型具備 500,000 個 token 的上下文視窗，可接受文字與圖片輸入，並輸出文字。

• 價格 — Grok：輸入低於 200K 時，每百萬輸入 $2.00／輸出 $6.00；高於 200K 時為 $4.00／$12.00；Ripple 沒有定價表，代管費率約 $0.20／$0.60

• 背景 — Grok 500K 對比 Ripple 宣稱最高可達 1M

• 獨立評分 — Grok 35 在 AA index v5.0.1 上，每項指數任務為 7.77 美元；Ripple 未列入排名

• 輸出速度 — Grok 實測為 72 tok/s；Ripple 聲稱在 2×B200 上可達 250 tok/s

• 授權 — Grok 專有，僅限 API；Ripple Apache 2.0

• DeepSWE v1.1 — Grok 71.0 對 Ripple 44.3

• 發布 — Grok 2026年9月21日 對比 Ripple 2026年11月4日

20 萬個 token 的門檻，正是最容易讓人吃虧的計費細節：一旦超過，整筆請求都會以較高費率重新計費，而不只是超出的部分。一次 21 萬 token 的呼叫，費用是 19.9 萬 token 呼叫的兩倍。在 50 萬 token 的視窗、且推理功能始終開啟的情況下，很容易不小心就踩線。

廉價產出的陷阱

每百萬輸出 token 六美元，是本次比較中封閉模型裡最低的費率——Opus 5.5 是 20 美元，Sol 與 Argon 是 10 美元——而這正是 Grok 推銷說詞所倚重的數字。這同時也是最可能造成誤導的數字。

有兩件事侵蝕了這項優勢。首先，推理是強制性的，因此你付費的內容中，有相當一部分是你並未要求的思考。Artificial Analysis 測得 Grok 4.7 每項指標任務的運算成本為 7.77 美元，是 GPT-6.1 Sol 的 1.27 美元六倍，且僅以些微之差高於 Opus 5.5 的 10.04 美元——儘管其名目輸出費率只有 Opus 的三分之一。其次，據稱該模型在類似工作上，每項任務消耗的 token 數約為 Grok 4.6 的兩倍。便宜的 token 乘以更多 token，並不是節省。

Ripple 的經濟模型形狀相反，也同樣容易被誤讀。完全沒有價目表：權重採用 Apache 2.0，成本在於 GPU。以 BF16 在兩張 B200 上達到每秒 250 個 token 時，若讓 GPU 持續滿載，每美元吞吐量極佳；若否，則極差。託管費率約為輸入 $0.20、輸出 $0.60，那正是別人對這筆取捨所做的攤銷。

長程任務，也就是 Grok 數字表現最強的地方

Grok 發布時所強調的幾列，是馬拉松型的項目：SWE-Marathon v1.1 為 46.0，高於 Grok 4.6 的 31.9；FrontierSWE V2 為 29.5；CursorBench 4.0 為 46.3，對比 40.4。這些是關於在單一長時間任務中持續投入的基準測試，而它們在 4.6 到 4.7 之間的提升，遠大於單回合分數的提升。xAI 自己的說法——相同價格，更長的時間跨度——是準確的。

Ripple 的反論建立在架構層面。一個具備 100 萬 token 視窗、並透過 200 萬 token 長上下文階段訓練而成的 80 層稠密模型，天生就能承載龐大的工作集；而 65B 稠密模型則沒有專家路由在大規模下出錯的問題。至於這是否能轉化為更好的長程行為，正是指沒有任何已發表基準能回答的問題，因為 Ripple 尚未在 SWE-Marathon 或 FrontierSWE 上運行。

這個要怎麼處理

不要憑一張基準測試圖表就在這兩者之間做選擇。要根據工作的形態和帳單的形態來選。

容器化系統的運作、執行自有 GPU 的能力，以及一項會讓對話因封閉 API 而中斷的授權要求：Ripple 65B Preview 是正確的實驗，而它在 Terminal-Bench 2.1 上的 80.5 分——與該圖表上其他開放權重模型的同類比較——正是其佐證。跨長時程的儲存庫規模編輯：Grok 4.7 在 DeepSWE 上的 71.0 是無論正反方向都最強的同版本訊號，而其馬拉松分數也支持這一點。

Grok 4.7 今日即可透過 OrcaRouter，以 xAI 的標價、0% 加成進行路由，並可與超過 200 個其他模型共用同一把金鑰——包含四種 effort 等級，因此便宜的分類呼叫與 xhigh 升級呼叫都能共用同一個端點，且當 xAI 服務品質下降時會自動容錯轉移。這對 Grok 而言比往常更重要，因為它的每項任務成本主要取決於 token 用量，而非標價；將簡單的呼叫路由到較便宜的模型，對混合帳單的影響遠大於 $6 費率本身。Ripple 不在目錄中，因此無法為它提供這種特定的分流方式。

能為這場比較下定論的數字還沒出現：Ripple 65B Preview 尚未由中立評測框架重跑 DeepSWE，在 Artificial Analysis 上也沒有條目。在它出現之前，唯一誠實的說法是：Grok 4.7 在長時間的儲存庫作業上明顯較好，Ripple 在 shell 任務上明顯較好；而你認得名字的那個基準，並不自動就是你工作負載所相似的那個。