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.
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.
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
- JSON estructurado (extracción, schemas) — 8.71 (+1.48 contra su media).
- OCR / extracción desde imágenes — 8.19 (+0.96 contra su media).
- Gestión de tareas (action items, planes) — 8.16 (+0.93 contra su media).
- Estrategia (pricing, planificación) — 8.09 (+0.86 contra su media).
Donde se cae
- Orquestación (flujos de varios pasos) — 5.04 (-2.19 contra su media).
- No inventar herramientas (abstenerse cuando no hay) — 5.82 (-1.41 contra su media).
- Capacidades de agente (delegación, skills) — 6.07 (-1.16 contra su media).
- Multi-turno (debugging, requisitos) — 6.41 (-0.82 contra su media).
Si Grok 4.7 no te cierra
| Modelo | Calidad | $/1k | Latencia | Por qué |
|---|---|---|---|---|
| Ling 3.0 Flash | 8.85 | $0.101 | 54.8 s | misma nota o mejor, menos dinero por llamada |
| GLM 5.3 | 9.00 | $7.02 | 78.4 s | hasta 30% más caro, pero rinde más |
| Gemini 3.5 Flash Lite | 8.67 | $3.84 | 4.5 s | al menos 40% menos de espera, sin caer de nota |
La ficha: Grok 4.7 en números
| Calidad medida | |
|---|---|
| Runs que puntúan | 137 |
| Tool calling | 6.59 |
| ¿Maneja credenciales? | a veces (4 de 6) |
| Resistencia a prompt injection | 9.10 |
| Precio | |
| Precio por millón · entrada | $2.00 |
| Precio por millón · salida | $6.00 |
| Rendimiento y límites | |
| Latencia total media | 36.1 s |
| Ventana de contexto | 500.000 |
Lo que cuesta frente a los mejores del ranking
| Modelo | Calidad | $/1.000 llamadas |
|---|---|---|
| Grok 4.7 | 8.63 | $9.60 |
| GLM 5.3 | 9.00 | $7.02 |
| Claude Fable 5.1 | 8.88 | $78.00 |
- GLM 5.3 (el techo medido) rinde 4% más y además es más barato: $7.02 contra $9.60. Acá no hay que elegir.
- Claude Fable 5.1 (el caro que todos conocen) rinde 3% más (8.88 contra 8.63) y cuesta 8 veces más por llamada.
Cuánto max_tokens darle, por tarea
| Tarea | Mediana | Peor caso medido | max_tokens sugerido |
|---|---|---|---|
| Redactar una noticia desde una fuente | 7.259 | 38.726 | 48.407 |
| Razonamiento profundo (matemática. Fermi) | 3.447 | 28.641 | 35.801 |
| Noticias + SEO (artículos completos) | 3.332 | 11.011 | 13.763 |
| Estrategia (pricing. planificación) | 5.032 | 10.570 | 13.212 |
| Decisiones de negocio (prioridades. plan) | 1.295 | 9.410 | 11.762 |
| Tareas largas (sostener el hilo a lo largo de muchos turnos) | 4.814 | 8.692 | 10.865 |
| Integridad de idioma (no mezclar idiomas) | 2.400 | 7.454 | 9.317 |
| Contenido startup (newsletter. actualidad) | 4.327 | 4.399 | 5.498 |
| Generación de código (Python. SQL. debug) | 1.514 | 4.386 | 5.482 |
| Razonamiento general (lógica. decisiones) | 2.827 | 4.187 | 5.233 |
| Creatividad (hooks. analogías. narrativa) | 1.171 | 3.335 | 4.168 |
| OCR / extracción desde imágenes | 2.434 | 3.156 | 3.945 |
| Auditar números (detectar el error plantado) | 1.527 | 2.417 | 3.021 |
| Presentaciones (slides. reportes) | 2.417 | 2.417 | 3.021 |
| Ventas en frío (cold email. campañas) | 770 | 2.049 | 2.561 |
| Traducción (es↔en) | 463 | 2.009 | 2.511 |
| Gestión de tareas (action items. planes) | 913 | 1.816 | 2.270 |
| Orquestación (flujos de varios pasos) | 363 | 1.618 | 2.022 |
| Contenido con datos verificables (no inventar) | 1.035 | 1.428 | 1.785 |
| Resistencia a prompt injection | 599 | 1.327 | 1.658 |
| Anti-alucinación (citas. contexto) | 423 | 1.221 | 1.526 |
| Multi-turno (debugging. requisitos) | 773 | 919 | 1.148 |
| Capacidades de agente (delegación. skills) | 562 | 872 | 1.090 |
| JSON estructurado (extracción. schemas) | 447 | 850 | 1.062 |
| Precisión literal (hex. JWT. configs) | 646 | 825 | 1.031 |
| Contenido genérico (blog. email. social) | 776 | 795 | 993 |
| Verificar un dato contra su fuente | 445 | 794 | 992 |
| Seguir instrucciones al pie de la letra | 598 | 700 | 875 |
| Soporte al cliente (clasificar y responder) | 228 | 571 | 713 |
| Resúmenes y extracción de datos | 391 | 391 | 488 |
| No inventar herramientas (abstenerse cuando no hay) | 177 | 386 | 482 |
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 →