Elon Musk cùng SpaceXAI đã ra mắt Grok 4.7 vào thứ Hai với mức giá 2 USD cho mỗi triệu token đầu vào, song các bài kiểm thử nội bộ lại cho thấy Anthropic's Claude Fable 5.1 đang dẫn trước ở phần lớn hạng mục.
Điểm chính:
- SpaceXAI tung Grok 4.7 với mức giá không đổi so với Grok 4.6, trong khi token đầu ra ở mức 6 USD cho mỗi triệu.
- Claude Fable 5.1 giữ lợi thế trên GDPval, CursorBench và Terminal-Bench trong so sánh do công ty công bố.
- Grok 4.7 thắng ở các bài kiểm thử kỹ thuật điện và pháp lý, sau nhiều lần lùi lịch ra mắt.
Grok 4.7 chính thức trình làng
Công ty thông báo mô hình này vào thứ Hai, giới thiệu đây là phiên bản mạnh nhất từ trước đến nay cho lập trình và công việc tri thức. Grok 4.7 hiện đã có mặt trên Cursor, Grok Build, Grok API và các bộ công cụ lập trình bên thứ ba. Một biến thể nhanh hơn sẽ có giá gấp đôi. Token đầu ra được tính 6 USD cho mỗi triệu token, không thay đổi so với Grok 4.6 ra mắt hơn một tháng trước.
SpaceXAI cho biết Grok 4.7 chạy trên một mô hình nền tảng mới, lớn hơn, được huấn luyện với giai đoạn tăng cường học kéo dài hơn và tập trung vào các bài toán cần nhiều giờ để hoàn thành, đồng thời đi kèm một lớp bảo vệ an toàn được xây dựng lại. Musk cũng tuyên bố riêng rằng mô hình có 2,1 nghìn tỷ tham số, tăng từ 1,5 nghìn tỷ, với dữ liệu huấn luyện bổ sung lấy từ mảng kỹ thuật của SpaceX — chi tiết mà bài đăng ra mắt không nhắc tới.
Đọc thêm: Lỗi Polymarket khiến kẻ gian vào tài khoản không cần mật khẩu
Claude Fable 5.1 vẫn chiếm ưu thế
Ở GDPval — thước đo đánh giá AI qua các công việc của luật sư, y tá và chuyên viên phân tích tài chính — Grok 4.7 đạt Elo 1.695, trong khi Claude Fable 5.1 đạt 1.735. Mô hình mới cũng xếp sau ở AA Briefcase, bài kiểm thử các tác vụ văn phòng kéo dài nhiều giờ. Trên Terminal-Bench, khoảng cách còn nới rộng lên gần 20 điểm.
Tuy vậy, mô hình mới vẫn có một số chiến thắng đáng chú ý, vượt qua Fable 5.1 trong bài kiểm thử kỹ thuật điện với tỷ lệ 64% so với 56,4%, và bỏ xa đối thủ ở bộ đánh giá tác tử pháp lý Harvey dành cho luật sư. Grok 4.7 cũng cải thiện trên mọi bài kiểm thử mà công ty công bố so với Grok 4.6, gần như nhân đôi điểm số ở mảng công việc trên terminal.
Tất cả các số liệu trên đều do chính SpaceXAI công bố. CursorBench — bài kiểm thử lập trình mà công ty đặt lên đầu nhưng lại thua với tỷ lệ 51,8% so với 46,3% — được xây dựng bởi Cursor, chính là trình soạn thảo mà SpaceX vừa mua lại vào tháng trước. Điểm mạnh rõ nhất của Grok 4.7 là giá bán, chỉ bằng một phần năm mức phí mà Fable 5.1 áp cho token đầu vào.
Elon Musk tiếp tục lùi lịch
Đợt ra mắt này khép lại một mùa hè với hàng loạt lần trễ hẹn, khi Musk liên tục dời thời điểm phát hành sau khi nói hồi cuối tháng 7 rằng mô hình chỉ còn cách bốn tuần nữa là hoàn tất. Đến ngày 1/9, ông thu hẹp khung thời gian xuống còn 10 ngày, rồi tới 11/9 lại thừa nhận mô hình cần thêm vài ngày huấn luyện.
Chỉ vài ngày trước khi phát hành, ông tiếp tục hạ kỳ vọng, cho rằng Grok 4.7 chỉ ở khoảng tương đương Claude Opus 5.0 thay vì phiên bản Opus 5.1 mới hơn, trong khi năng lực đa phương thức vẫn chưa hoàn thiện. Từ đó đến nay, ông gọi Grok 4.8 là một bước tiến đáng kể. Grok 5, theo ông, có thể sẽ dẫn đầu thị trường, dù cả hai phiên bản này đều chưa có lịch ra mắt cụ thể.
Đọc tiếp: AI chưa sẵn sàng cho chính vũ khí của mình, hacker từng đột nhập OpenAI cảnh báo
