Cristian Tala_

Grok 4.7: para qué sirve de verdad (benchmark en español)

Lo mejor que tiene es Coding, y aun así queda abajo (#67 de 74 entre los que rinden el examen completo), y donde menos rinde es Agentes (7.25 contra 9.24). Cuesta $9.60 por cada 1.000 llamadas.

Nota de calidad8.63/10#42 de 74 · del mejor al peor hay 3.7 puntos · examen 8.18, tareas de agente 10.00
Por 1.000 llamadas$9.60el 12º más caro de 74
Al mes, uso típico$14.4050 llamadas por día, todos los días
Velocidad59 tok/s36.1 s de espera media
⬡ Propietario ⚒ Puede usar herramientas ⌸ Le caben ~830 páginas a la vez ⛨ Resiste bien instrucciones ocultas · 9.1/10

Dónde está parado, pilar por pilar

La nota de la derecha es sobre 10. La barra compara contra los demás modelos del ranking, no contra el cero: entre el mejor y el peor de esta lista hay poco más de un punto, así que en escala 0-10 se verían todas iguales. La marca vertical es la mediana — quedar por debajo acá no es una mala nota, es estar en el promedio de un grupo muy parejo.

Coding 9.24 (-0.32 vs mediana)
Contenido 8.61 (-0.05 vs mediana)
Razonamiento 8.54 (+0.46 vs mediana)
Agentes 7.25 (-0.56 vs mediana)

¿Maneja credenciales? a veces (4 de 6). Ante una cadena que parece un secreto (una API key, un JWT, un .env), Grok 4.7 se negó a copiarla en 4 de 6 pruebas, y en todas lo dijo el propio modelo. Eso no baja su nota: la precisión literal no entra al índice 5.0.0, porque casi todos los modelos copian bien y lo que los separa es esta política, no su precisión. Si tu flujo pasa credenciales por el modelo, tenlo en cuenta.

Medido con 137 runs que puntúan, juez Phi-4 vía OpenRouter · actualizado 2026-11-12 · datos abiertos

Tareas de agente: hasta que la tarea se corrija, no cuentan los checks cuya trampa el agente no podía conocer por el enunciado (en facturación, 3 de sus 8). La nota de agente y «N de 4» se calculan sin ellos.

Qué hace bien y qué no

Su media entre las 31 tareas medidas es 7.23. Un promedio esconde justo lo que te importa, así que acá están los extremos.

Donde rinde por encima de sí mismo

Donde se cae

Si Grok 4.7 no te cierra

Alternativas elegidas por contraste con este modelo, no por ranking general.

ModeloCalidad$/1kLatenciaPor qué
Ling 3.0 Flash
Más barato, calidad equivalente
8.85$0.10154.8 smisma nota o mejor, menos dinero por llamada
GLM 5.3
Mejor nota, precio parecido
9.00$7.0278.4 shasta 30% más caro, pero rinde más
Gemini 3.5 Flash Lite
Responde antes
8.67$3.844.5 sal menos 40% menos de espera, sin caer de nota

La ficha: Grok 4.7 en números

Todo esto sale de runs propios, guardados y auditables. La latencia es la total de respuesta, no el time-to-first-token.

Calidad medida
Runs que puntúan137
Tool calling6.59
¿Maneja credenciales?a veces (4 de 6)
Resistencia a prompt injection9.10 (medido en la ventana v6.1)
Precio
Precio por millón · entrada$2.00
Precio por millón · salida$6.00
Rendimiento y límites
Latencia total media36.1 s
Ventana de contexto500.000

Lo que cuesta frente a los mejores del ranking

La pregunta útil no es cuánto le falta a Grok 4.7 para ser el mejor: es cuánta calidad extra estás comprando, y a cuántas veces el precio. Eso es lo que decide si conviene.

ModeloCalidad$/1.000 llamadas
Grok 4.7
Este modelo
8.63$9.60
GLM 5.3
El de más calidad medida
9.00$7.02
Claude Fable 5.1
El frontier más caro del top 10
8.88$78.00

Los tres salen de las mismas 29 tareas, el mismo juez y los mismos límites. Los benchmarks del fabricante miden otra cosa —y están enlazados más abajo.

Cuánto max_tokens darle, por tarea

Si tu nodo o tu script queda por debajo de esto, Grok 4.7 no falla: entrega de menos — y quien lo consume lo lee como que no había nada que reportar. Es el modo de falla más caro que hay, porque se parece a que todo salió bien.

TareaMediana Peor caso medidomax_tokens sugerido
Redactar una noticia desde una fuente7.25938.72648.407 (piso)
Razonamiento profundo (matemática. Fermi)3.44728.64135.801 (piso)
Noticias + SEO (artículos completos)3.33211.01113.763 (piso)
Estrategia (pricing. planificación)5.03210.57013.212 (piso)
Decisiones de negocio (prioridades. plan)1.2959.41011.762 (piso)
Tareas largas (sostener el hilo a lo largo de muchos turnos)4.8148.69210.865 (piso)
Integridad de idioma (no mezclar idiomas)2.4007.4549.317
Contenido startup (newsletter. actualidad)4.3274.3995.498
Generación de código (Python. SQL. debug)1.5144.3865.482
Razonamiento general (lógica. decisiones)2.8274.1875.233
Creatividad (hooks. analogías. narrativa)1.1713.3354.168
OCR / extracción desde imágenes2.4343.1563.945
Auditar números (detectar el error plantado)1.5272.4173.021
Presentaciones (slides. reportes)2.4172.4173.021
Ventas en frío (cold email. campañas)7702.0492.561
Traducción (es↔en)4632.0092.511
Gestión de tareas (action items. planes)9131.8162.270
Orquestación (flujos de varios pasos)3631.6182.022
Contenido con datos verificables (no inventar)1.0351.4281.785
Resistencia a prompt injection5991.3271.658
Anti-alucinación (citas. contexto)4231.2211.526
Multi-turno (debugging. requisitos)7739191.148
Capacidades de agente (delegación. skills)5628721.090
JSON estructurado (extracción. schemas)4478501.062
Precisión literal (hex. JWT. configs)6468251.031
Contenido genérico (blog. email. social)776795993
Verificar un dato contra su fuente445794992
Seguir instrucciones al pie de la letra598700875
Soporte al cliente (clasificar y responder)228571713
Resúmenes y extracción de datos391391488
No inventar herramientas (abstenerse cuando no hay)177386482

Las marcadas (piso) tocaron el techo del propio examen (8.192): ahí la respuesta se cortó, así que el número dice «al menos esto», no «esto exactamente». Dar más aire en esas.

Los números oficiales de Grok 4.7

Acá no los repetimos, y es a propósito. MMLU, GPQA, SWE-bench y la tabla del lanzamiento las publica quien hizo el modelo, con más recursos y antes que nadie: ese enlace es mejor que cualquier copia nuestra, y no envejece.

Lo que sí medimos acá es lo otro: qué pasa cuando este modelo tiene que decidir algo de un negocio chico, en español y a un precio que se pueda pagar. Verificar un dato antes de publicarlo, emitir el JSON que espera un workflow, llamar la herramienta correcta. Eso no está en la tarjeta del fabricante.

¿Es el mejor para TU caso?

Filtra por presupuesto, calidad mínima y tipo de tarea. En 30 segundos sabes si Grok 4.7 es tu opción o hay algo mejor para lo que haces.

Ir a la calculadora →