Grok 4.7 ha llegado: ¿Cumplió Elon? A mitad de precio, a un paso de la frontera

Una predicción de Elon Musk de hace una semana — Grok 4.7 debería estar a la par de Opus 5, no de 5.1 — se encontró con la realidad el 21 de septiembre en un lanzamiento silencioso a igual precio y velocidad que Matthew Berman disecciona. El blog de xAI presenta a Grok 4.7 como su modelo más capaz para código y trabajo de conocimiento : permanece más tiempo en tareas difíciles, revisa mejor su propio trabajo y llega con el stack de salvaguardas mejor calibrado hasta la fecha. Debajo: base más grande , ciclo de refuerzo más largo centrado en tareas de varias horas y comprensión nativa del harness Grok Bot , más mejora en documentos y presentaciones. Tarifa congelada: $2 entrada, $0,50 caché, $6 salida por millón — el doble en variante rápida — y un retraso asumido: el equipo habría penalizado demasiado la longitud de respuesta en RL , el modelo abandona pronto y no se verifica con rigor .

Costo y densidad de inteligencia: cómo leer CursorBench

CursorBench 4.0 mide agentes IDE de largo horizonte y que xAI ahora posea Cursor pesa sobre el gráfico. Berman traza puntaje en Y, costo promedio por tarea en X ; lo ideal está arriba a la derecha. Grok 4.7 pasa de 33% a 46,3% entre low y xhigh , uno de los mayores saltos fuera de GPT-5.6 Soul . En la frontera queda justo detrás de Opus 5 en thinking máximo , pero a cerca de la mitad del costo . Una segunda vista cambia costo por tokens de salida promedio por tarea ; menos es mejor , señal de densidad de inteligencia . Ahí Grok 4.7 casi solapa a Opus 5 ; Fable 5.1 gana en puntaje con presupuesto similar de tokens, pero su precio por token varias veces mayor infla el costo por tarea completada . Mensaje: el puntaje solo no decide; puntaje dividido por factura sí .

El tercer corte del mismo gráfico cuenta pasos por tarea , donde GPT-5.6 Soul luce más eficiente — la impresión vivida de Berman de un modelo que va directo a la solución. Fable 5.1 sigue arriba. La familia Grok es consistente justo detrás de la frontera en pasos y tokens: barata en low, más cara pero más precisa en xhigh. La ficha y la doc de Cursor formalizan la elección: 256k estándar, 500k largo , con x2 en estándar y x3 en rápido por encima de 256k , disparado solo por longitud de entrada . Esa regla convierte una decisión de arquitectura en económica .

En código, DeepSWE v1.1 (DeepSuite) — el mejor proxy del sentimiento ingenieril en producción — muestra Grok 4.7 71%, Soul 72,7%, Fable 5.1 70% ; Grok parece liderar. Berman señala la curaduría : el blog de xAI omite a Astra . Cuando Astra se re-añade, Astra Max 74,1% toma la delantera y la cima real cambia. AA Briefcase (trabajo de oficina multihoras) deja a Grok 4.7 y Fable 5.1 Max empatados, mientras Terminal-Bench 4.0 separa : Grok 38% frente a Fable 57,9% y Astra 58,2% — la destreza en terminal marca la velocidad del agente. Legal invierte la jerarquía: Grok 19,6% domina , sobre herencia familiar ( 4.6 en 15,8% ); Soul 2,5%, Fable 6,7%, Astra 5,4% caen, pero Muse Spark 1.2 con 42% los supera a todos . HealthBench empatado, Electrical Engineering Bench con 66% deja a Grok segundo tras Astra — sin Astra, Grok ganaría. Patrón: cerca de la frontera en oficina y legal, un escalón detrás en terminal y código pesado .

Precio, ventana de contexto y economía de la carrera

xAI construye el precio como un paso por debajo de la frontera más oferta abundante . Grok 4.7 a $2/$6 frente a Opus 5 $5/$25 y Fable 5.1 $10/$50 — ~2× Soul, 5× Fable y Astra . La ficha y Cursor explicitan el multiplicador de ventana larga, pero la lógica es la sobrecapacidad de GPU : xAI sobreinvirtió sin demanda frontera suficiente, así que bajar el precio crea uso . Berman lo enlaza con la nota Gavin Baker : 62% de tokens empresariales en pesos abiertos vs 38% cerrados , porque lo abierto es más barato, más controlable, más privado . Aun así el valor se acumula en OpenAI y Anthropic — un token consume los mismos flops, memoria y watts , el margen migra a la infraestructura . Lección: sin respuesta frontera no hay precio frontera ; algunas industrias pagarán 5× por la mejor respuesta, otras quieren automatización suficiente, barata .

GDPval, Briefcase y el nuevo escudo de seguridad

La prueba de realidad del trabajo de conocimiento son dos tablas Elo: GDPval-AA Fable 1735, Grok 1695, Astra 1542 ; Briefcase Fable 1678, Grok 1657 . Por qué xAI muestra a Astra en GDPval y lo silencia en DeepSWE resulta elocuente — transparente donde fuerte, callado donde débil . El otro titular del blog es la pila de seguridad totalmente nueva : resistencia más fuerte a rechazos y jailbreaks , Q* prompter y liderazgo en doble uso (ciber, bio) para utilidad benigna y rechazo seguro . Cifras: LatchBio biosafety 62,4% arriba , Capabilities 44,5% en xhigh , HackerBench v0.3 deja pasar solo 3,3% de pedidos de riesgo . xAI abre acceso por invitación para socios ciber al red-team. Mecanismo: 11 benches de capacidad (expresión de ARN, epigenómica, variantes, descubrimiento terapéutico) promediados, con BioSecBench-Refusal/Surveillance/Function . Resultado: Grok conserva el saber bio general mientras da un salto capacitivo de doble uso , pero son medidas sin salvaguardas — los filtros de producto van aparte.

La nota de lanzamiento pone a prueba la gran promesa. El post de Elon del 12 de agosto ‘Grok 4.7 superará a todos los modelos actuales’ hoy se lee — cerca de Fable 5 pero no 5.1 — y Berman ve lo muy típico de Elon: plazos agresivos, pronósticos agresivos , sin apostar en su contra a largo plazo. La nota sobre el retraso mantiene el tono: Grok 4.7 necesita unos días más al horno, quizá penalizamos demasiado la longitud u otra cosa en RL — el ‘u otra cosa’ arranca sonrisa, pero el diagnóstico queda: abandono temprano, autoverificación insuficiente . Disponibilidad inmediata: Cursor y Grok Build, más API Grok, harnesses de terceros y routers , identidad grok-4.7 . El hilo de Berman es la competencia: más contendientes, mejor para el usuario ; Grok 4.7 quizá alcance la frontera en 4.8/4.9, pero por ahora está bastante cerca y es notablemente rentable .

La validación externa llega con Artificial Analysis Intelligence Index v4.3.2 : Fable 1º, Astra 2º (empate), Opus 3º, Muse Spark 1.3 Max 48 4º, Grok 4.7 (xhigh) 46 5º — GLM-4.7 y Kimi K3 justo detrás en pesos abiertos. El índice combina diez evaluaciones: Briefcase, GDPval, AutomationBench, Terminal-Bench, SciCode, HLE y más. +2 puntos sobre 4.6 parece modesto, pero +111 Elo en Briefcase a 1657 y +90 en GDPval a 1695 marcan el trabajo agente de largo horizonte. El matiz confirmado: las ganancias llegan con más tokens — ~81k de salida por tarea para 4.7 vs 38k para 4.6, 60k para Muse 1.3, 27k para Astra . Así que el índice solo no cuenta el costo; costo por tarea y velocidad deben leerse juntos . Que 4.7 seleccionado no aparezca en costo por inteligencia mientras 4.6 ronda ~$2.300 para el índice ancla la expectativa de una franja de bajo costo similar para 4.7 .

El apunte de ventana de contexto también pesa: 256k estándar, 500k largo para 4.6/4.7 , 1M para casi toda otra frontera . Invisible por debajo de 250k, decisivo para repos enormes, dosieres legales largos o informes de cientos de páginas . Facturación: hasta 256k a tarifa base, por encima x2 (estándar) o x3 (rápido) — el largo solo depende de la longitud de entrada . Eso liga aritmética de costos y estrategia de contexto : comprimir, trocear o cachear abarata. Ahí la arquitectura se vuelve economía .

Las primeras señales de campo son mixtas pero instructivas. El post de Musk ‘hace una hora xAI queda tercera tras Anthropic y OpenAI en código agéntico’ marca el tono; la demo de Bobby Grok 4.7 vs Kimi K3, tildada de ‘terriblemente mala’ en el video, es matizada por Berman con ajustes y harness . Puentes como Zapier (9.000+ apps, servidor MCP, refs Cursor/Nvidia/Samsung/Dropbox/Shopify, flujo Gmail→Asana) muestran dónde brilla el modelo como palanca precio/rendimiento para el trabajo de conocimiento , no como hype. Balance sobrio: Grok 4.7 no es la frontera absoluta, un peldaño detrás; pero a mitad de precio y misma velocidad convierte el ‘suficientemente bueno’ en ‘altamente racional’ para equipos que automatizan.