SpaceXAI Илона Маска в понедельник выпустила Grok 4.7 по цене $2 за миллион входных токенов, однако по собственным бенчмаркам компании Claude Fable 5.1 от Anthropic опередил новинку по большинству тестов.
Ключевые моменты:
- SpaceXAI вывела Grok 4.7 по той же цене, что и Grok 4.6: $6 за миллион выходных токенов.
- Claude Fable 5.1 сохранил преимущество в GDPval, CursorBench и Terminal-Bench по внутреннему сравнению компании.
- Grok 4.7 выиграл в задачах по электротехнике и юридической работе после нескольких месяцев переносов запуска.
Запуск Grok 4.7
Компания сообщила о модели в понедельник, назвав ее своей самой продвинутой системой для программирования и рабочих задач с данными. Grok 4.7 уже доступен в Cursor, Grok Build, API Grok и сторонних средах для кодинга. Более быстрая версия стоит вдвое дороже. Выходные токены тарифицируются по $6 за миллион — как и у Grok 4.6, который вышел немногим более месяца назад.
По словам SpaceXAI, Grok 4.7 работает на новой, более крупной базовой модели, обученной на более длинном цикле reinforcement learning с упором на задачи, на которые уходят многие часы. Кроме того, система получила переработанный контур защиты. Маск отдельно заявлял, что в модели 2,1 трлн параметров против 1,5 трлн ранее, а дополнительное обучение якобы велось на инженерных данных SpaceX — хотя в пресс-релизе об этом не говорится.
Также читайте: Сбой Polymarket позволил злоумышленникам входить в аккаунты без пароля
Claude Fable 5.1 удерживает лидерство
В GDPval, где ИИ оценивают по задачам, близким к работе юристов, медсестер и финансовых аналитиков, Grok 4.7 получил рейтинг Elo 1 695 против 1 735 у Claude Fable 5.1. В AA Briefcase — тесте на многочасовые офисные задачи — он снова остался позади. На Terminal-Bench отставание увеличилось почти до 20 пунктов.
При этом новая модель все же взяла верх в ряде направлений: обогнала Fable 5.1 в тесте по электротехнике — 64% против 56,4%, а также втрое превзошла соперника в юридическом бенчмарке Harvey для юристов. По сравнению с Grok 4.6 модель улучшила результаты во всех опубликованных SpaceXAI тестах и почти вдвое подняла показатель в терминальных задачах.
Все эти цифры — собственные данные SpaceXAI. CursorBench, с которого компания начала презентацию и в котором уступила 51,8% против 46,3%, разработан Cursor — редактором, который SpaceX выкупила в прошлом месяце. Зато у Grok 4.7 остается ценовое преимущество: он обходится в пять раз дешевле Fable 5.1 по входным токенам.
Затянувшийся запуск Маска
Релиз завершил лето срыва сроков: Маск неоднократно переносил дату после заявления в конце июля, что до выхода модели осталось четыре недели. 1 сентября он сузил окно до 10 дней, а 11 сентября признал, что модели нужно еще несколько дней обучения.
За несколько дней до релиза он снова снизил ожидания, сравнив Grok 4.7 скорее с Claude Opus 5.0, чем с более новой Opus 5.1, и отметив, что мультимодальная часть пока не завершена. Позже он заявил, что Grok 4.8 станет заметным шагом вперед. Grok 5, по его словам, может и вовсе выйти в лидеры рынка, однако дат запуска ни у одной из моделей пока нет.
Читать далее: ИИ еще не готов к своему оружию, предупреждает хакер, взломавший OpenAI
