xAI liberó Grok 4.7 este lunes con un argumento que no es el de siempre: no presume ser el modelo más inteligente del mercado, presume ser el más barato de la frontera. Dos dólares por millón de tokens de entrada y seis de salida —exactamente el precio de Grok 4.6— contra los 4/20 de GPT-5.6 Sol Max y los 10/50 de Fable 5.1 Max. La apuesta es que en trabajo agéntico de varias horas, el costo por tarea pesa más que el primer lugar en un leaderboard.
Qué pasó
El lanzamiento salió sin escenario ni evento: una nota en el sitio de xAI, disponibilidad inmediata en Cursor y Grok Build, y acceso por la API, harnesses de terceros, routers de modelos y plataformas cloud. En Hacker News el hilo se fue a portada con más de 400 puntos y 335 comentarios en unas horas, lo que confirma que el interés es real y no eco de prensa.
Grok 4.7 parte de un base model más grande que el de 4.6, entrenado con una corrida de reinforcement learning más larga sobre una mezcla de tareas más difíciles, ponderada hacia problemas que toman varias horas de trabajo. Según xAI, el modelo verifica mejor su propio trabajo y administra mejor el contexto largo. También lo entrenaron para entender de forma nativa el harness de Grok Bot, su propia capa de agente.
Por qué importa
Los números que xAI publica cuentan una historia desigual, y ahí está lo interesante.
Donde gana, gana claro. En EEBench (ingeniería eléctrica) marca 64.0% contra 39.4% de GPT-5.6 Sol Max y 56.4% de Fable 5.1 Max. En el Harvey Legal Agent Benchmark el salto es casi absurdo: 19.6% contra 2.5% y 6.7% de sus competidores —una señal de que los rivales simplemente no están optimizando para trabajo legal agéntico. En CursorBench 4.0 sube de 40.4% a 46.3% y queda arriba de GPT-5.6, aunque abajo de Fable 5.1 Max (51.8%).
Donde pierde, también pierde claro. En Terminal-Bench 4.0 casi duplica a su antecesor (20.3% → 38.0%) pero se queda a 20 puntos de Fable 5.1 Max (57.9%). En HealthBench Professional (56.7%) queda por debajo de los dos rivales. Y en DeepSWE v1.1 el 71.0% que reporta lleva asterisco en la propia tabla de xAI, detalle que conviene no ignorar cuando se compara contra el 72.7% de GPT-5.6.
El benchmark independiente pone el contrapeso: Artificial Analysis lo coloca en 46 puntos de Intelligence Index, puesto #16 de 202, con un costo de $3.74 por tarea del índice (puesto #75). Buen valor, no liderazgo. Y un dato que choca de frente con el claim de marketing de "el doble de rápido": AA mide 39.3 tokens de salida por segundo, puesto #151 de 202. El "doble de velocidad" se refiere a la variante fast —la que cuesta el doble— no al modelo base.
El detalle técnico que nos toca
La parte que debería interesarle a cualquiera que trabaje en seguridad es el stack de safeguards nuevo, reescrito por completo según xAI. La empresa afirma que es su modelo más resistente a jailbreaks y el más fuerte en negativas, y suelta dos cifras concretas:
- HackerBench v0.3 (su benchmark interno de tareas cyber riesgosas y maliciosas): deja pasar solo 3.3% de los prompts dual-use riesgosos, sin bloquear trabajo legítimo de seguridad.
- Benchmark de bioseguridad de LatchBio: primer lugar con 62.4%.
El equilibrio que buscan —alta utilidad para tareas benignas, negativa confiable en las peligrosas— es exactamente el problema que rompe a los modelos anteriores cuando un analista pide ayuda con un análisis de malware real y el modelo se niega, o peor, cuando alguien pide un loader y el modelo colabora. Que xAI lo mida y publique el número es sano; que el benchmark sea propio y no auditado por terceros es la letra chica de siempre.
El movimiento más notable: xAI abrió acceso invite-only a las capacidades de red team de Grok 4.7 para socios de ciberseguridad seleccionados, con fines de investigación defensiva. Es el mismo patrón que ya vimos en otros laboratorios frontier —capacidad ofensiva real, entregada bajo control a un puñado de actores— y vale seguirle la pista, porque define quién tiene ventaja asimétrica en los próximos doce meses.
Qué hacer
- Si pagas por tokens en volumen para agentes de coding, corre tu propio eval antes de mover nada: el diferencial de precio contra Fable 5.1 Max es de 5x en entrada y 8x en salida, pero el gap en Terminal-Bench sugiere que en tareas de terminal largas vas a pagar la diferencia en reintentos.
- Si evalúas modelos para trabajo de SOC o análisis de amenazas, pide los detalles de HackerBench antes de tomar el 3.3% como dato duro: es un benchmark interno sin validación externa.
- No uses el número de velocidad del anuncio para dimensionar SLAs. Usa mediciones independientes y tu propia carga.