Маск назвал SpaceXAI третьей в ИИ-программировании. Впереди две модели Anthropic и одна OpenAI

Илон Маск 21 сентября написал в соцсети X, что Grok 4.7 вывела SpaceXAI на третье место в агентном программировании¹ после Anthropic и OpenAI, сославшись на свежий рейтинг Artificial Analysis².

Почему это важно: Маск предлагает выбирать Grok 4.7 не за первое место, а за скорость и цену. Поэтому программистам важно не только место модели, но и то, сколько стоит одна задача.

Предыстория: модель вышла в тот же день, 21 сентября. SpaceXAI выпустила её для программирования и офисной работы, цена осталась как у Grok 4.6.

Цитата: «Если учесть, что Grok заметно быстрее и дешевле, это отличный выбор на роль повседневной рабочей лошадки», — написал Маск в том же посте.

Откуда цифра: Artificial Analysis проверяет модели вместе с их собственными агентами, у Grok 4.7 это агент для программирования Grok Build. На максимальном уровне рассуждений³ связка набрала 56 баллов — на 9 больше, чем у Grok 4.6. Выше только Claude Fable 5.1, GPT-6 Astra и Claude Opus 5. Модель стоит четвёртой, а третье место Маск отдаёт компании: две строчки над Grok занимает Anthropic.

Проверили: собственный отчёт SpaceXAI к выпуску сравнивает Grok 4.7 с GPT-6 Astra только в тестах интеллектуального труда — GDPval, AA Briefcase и EEBench. В тестах на программирование соперники Grok 4.7 — Claude Fable 5.1 и модель OpenAI прошлого поколения GPT-5.6 Sol:

• В тесте CursorBench 4.0 от редактора кода Cursor Grok 4.7 решила 46,3% задач — меньше Fable 5.1 (51,8%), но больше GPT-5.6 Sol.
• В Terminal-Bench 4.0, где модель работает в командной строке, у Grok 4.7 около 38% против 57,9% у Fable 5.1, а GPT-5.6 Sol — на уровне Grok 4.7.
• В тесте на инженерные задачи DeepSWE v1.1 Grok 4.7 решила 71% — чуть больше Fable 5.1 и чуть меньше GPT-5.6 Sol.

Но: дешевизна Grok 4.7 — в цене токена, а токенов она тратит много. Цена та же, что у Grok 4.6: 2 доллара за миллион входных токенов и 6 долларов за миллион выходных. Расход токенов Artificial Analysis считала не в рейтинге по программированию, а в своём общем индексе интеллекта (Intelligence Index): на одну его задачу Grok 4.7 тратит около 81 тыс. выходных токенов. Grok 4.6 тратила около 36 тыс. — меньше половины. У GPT-6 Astra на максимальных настройках — около 27 тыс., втрое меньше. Скорость Маск в цифрах не привёл.

Что было дальше: 6 октября Маск вернулся к теме и написал, что Grok 4.7 «отлично справляется с большими репозиториями кода». Он процитировал результаты VulcanBench Frontier v4⁴: три настройки Grok 4.7 — средняя, высокая и максимальная — заняли три первых места, выше Fable 5.1, Opus 5.5, GPT-6 Astra и GPT-6.1 Sol. В тесте 23 задачи: модель должна заново собрать старую программу так, чтобы та вела себя как оригинал. Правильность проверяют скрытые тесты, отдельно оценивают безопасность и качество кода. На максимальной настройке Grok 4.7 набрала 93,15 балла и сдала все 23 задачи.

Так уже было: 12 июля VulcanBench проверяла модели на прошлой версии бенчмарка, v3, и первой тоже оказалась модель SpaceXAI — Grok 4.5.