Grok 4.7 scoort hoger op Terminal-Bench 4.0 — maar de context telt

TL;DR

• Wat: Grok 4.7 van SpaceXAI scoort 38,0% op Terminal-Bench 4.0, een flinke sprong ten opzichte van voorganger Grok 4.6 (20,3%), en passeert daarmee GPT-5.6 Sol (37,3%) — althans op de interne meting.
• Waarom relevant: Terminal-Bench meet hoe goed AI-modellen urenlang zelfstandig technisch werk uitvoeren — precies het type taken dat je als ondernemer zou willen uitbesteden aan een AI-agent.
• Wat je ermee kunt: Wees kritisch op benchmarkclaims: onafhankelijke metingen geven Grok 4.7 slechts 26%. Kijk bij modelkeuze altijd naar meerdere bronnen.

Ik viel vandaag over een retweet van Elon Musk waarin wordt geclaimd dat Grok zijn score op Terminal-Bench 4.0 "verdrievoudigd" zou hebben — van 12,4% naar 38,0%. Dat is een opvallende claim, en ik wilde weten of de cijfers kloppen en wat het praktisch betekent.

Wat is er precies gebeurd?

Op 21 september 2026 bracht SpaceXAI Grok 4.7 uit, het nieuwste model in de Grok-reeks. Het is getraind op een grotere basisarchitectuur en heeft een langere reinforcement-learning-fase doorlopen, specifiek gericht op taken die uren duren.

De kernbewering: op Terminal-Bench 4.0 — een benchmark die meet hoe goed een AI-model langdurig, zelfstandig technisch werk kan doen in een terminal — zou Grok zijn gegaan van 12,4% naar 38,0%. Dat is inderdaad een verdrievoudiging. Maar hier wordt het interessant. Volgens DataCamp was de vorige score (van Grok 4.6) niet 12,4% maar 20,3%. Dat maakt de sprong naar 38,0% nog steeds indrukwekkend — bijna een verdubbeling — maar geen verdrievoudiging. Het verschil zit mogelijk in een nog oudere Grok-versie als uitgangspunt. Ik kan niet verifiëren waar het getal 12,4% precies vandaan komt.

Wat wél klopt: Grok 4.7 scoort op de interne meting van SpaceXAI net iets hoger dan GPT-5.6 Sol (38,0% versus 37,3%). Dat is een krappe marge, maar het is een inhaalslag.

Wat meet Terminal-Bench eigenlijk?

Terminal-Bench 4.0 is geen gewone chatbot-test. Het is een open-source benchmark met 66 taken die elk in een afgesloten Docker-omgeving draaien — een soort digitale zandbak. De AI krijgt een opdracht in gewone taal en moet vervolgens zelfstandig een terminal bedienen: commando's uitvoeren, output lezen, bijsturen, en uiteindelijk een werkend resultaat opleveren.

Denk aan taken als: een werkende webservice opzetten, een machine-learning-model trainen, een beveiligingsrapport schrijven, of een CAD-ontwerp maken. De mediaan-taak kost een menselijke expert naar schatting vier uur. Sommige taken kosten tot zestig uur.

Waarom is dat relevant voor jou als ondernemer? Omdat dit het type werk is dat je in de toekomst mogelijk door een AI-agent zou laten doen. Niet een chatgesprekje, maar echt zelfstandig werk: uren achter elkaar, zonder dat iemand meekijkt. Kun je je voorstellen wat dat betekent als je een klein IT-team hebt en een complex migratieproject moet draaien?

De cijfers vertellen niet het hele verhaal

En hier komt wat mij betreft het belangrijkste punt. De 38,0% die SpaceXAI claimt, komt uit hun eigen interne testomgeving. Toen Artificial Analysis — een onafhankelijke partij die modellen test — dezelfde benchmark draaide, kwam Grok 4.7 uit op slechts 26%. Dat is een fors verschil.

Op diezelfde onafhankelijke meting scoort GPT-6 Astra rond de 60% en Claude Fable 5.1 rond de 55%. Grok 4.7 zit daar dus nog ruim onder.

Dit verschil tussen interne en externe metingen is niet uniek voor SpaceXAI. Het komt vaker voor in de AI-wereld. Modellen worden soms geoptimaliseerd voor specifieke testcondities, of de testomgeving verschilt net genoeg om andere uitkomsten te geven. Maar het onderstreept wel waarom je als ondernemer niet blind kunt varen op één benchmarkcijfer.

Wat betekent dat verschil in de praktijk?

Stel dat je als MKB-ondernemer overweegt om een AI-agent in te zetten voor technisch werk — bijvoorbeeld het automatiseren van serveronderhoud of het analyseren van logbestanden. Dan wil je weten: hoe betrouwbaar is dit model in een echte omgeving, niet in de testomgeving van de maker? Het verschil tussen 38% en 26% is niet triviaal. Bij de ene score zou je zeggen "interessant, bijna bruikbaar", bij de andere "nog een flink eind te gaan".

De bredere wedstrijd: wie leidt eigenlijk?

Als ik het Terminal-Bench 4.0 leaderboard bekijk, valt op dat de top er momenteel zo uitziet (onafhankelijke meting):

Grok 4.7 heeft dus terrein gewonnen, maar speelt nog niet in dezelfde competitie als de absolute koplopers. Wat ik wel interessant vind: de snelheid waarmee SpaceXAI verbetert. In twee maanden tijd een score verdubbelen (van 20,3% naar 38,0% intern) laat zien dat er serieus wordt geïnvesteerd.

Voor de volledigheid: GPT-5.6 Sol scoorde op de interne meting 37,3% op Terminal-Bench 4.0. Grok 4.7 passeert dat dus met 0,7 procentpunt — een verschil dat ik eerlijk gezegd verwaarloosbaar vind.

Wat betekent dit voor ondernemers?

Ik denk dat het echte verhaal hier niet de ranglijst is, maar de richting. AI-modellen worden steeds beter in langdurig, zelfstandig technisch werk. Terminal-Bench meet precies dat: niet of een model een slim antwoord kan geven, maar of het uren achter elkaar betrouwbaar kan werken.

Voor de meeste MKB-ondernemers is dat vandaag nog geen directe toepassing. Maar de ontwikkeling gaat snel. Een paar praktische overwegingen:

• Benchmarks zijn nuttig, maar niet heilig. Kijk altijd naar onafhankelijke metingen naast de claims van de maker.
• De marge tussen modellen is soms flinterdun. Het verschil tussen Grok 4.7 en GPT-5.6 Sol op deze benchmark is kleiner dan de meetonzekerheid.
• De trend is relevanter dan het snapshot. Dat Grok in twee maanden bijna verdubbelt, zegt iets over het tempo van verbetering — ongeacht wie er nu bovenaan staat.

Voor mij is dit vooral een signaal dat de concurrentie in AI-agenten stevig wordt, en dat geen enkele partij lang voorsprong houdt. Als ondernemer zou ik me niet vastpinnen op één model of aanbieder — de verhoudingen verschuiven te snel.