Llama vs Grok 2026: открытые веса против real-time X

Открываете Llama и Grok в одном тесте — и быстро понимаете, что это две разные сущности. Llama — набор открытых весов от Meta, который сначала скачивают, потом поднимают у провайдера или на своём железе. Grok — закрытый продукт xAI с подпиской и одним каналом доступа: через X или grok.com. Прямое сравнение «бок о бок» работает не всегда — задачи нужно ставить с поправкой на формат.

Llama в 2026 году — это семейство из четырёх поколений (от Llama 1 в феврале 2023 до Llama 4 Scout и Maverick в апреле 2025). Веса свободно доступны через Hugging Face, лицензия Llama Community разрешает коммерческое использование почти всем, кроме компаний с аудиторией более 700 млн MAU. У продукта нет штатного UI, голосового режима, агентов «из коробки» — всё это собирается отдельно через Ollama, vLLM, llama.cpp или поднимается у Together AI, Groq, Fireworks AI, AWS Bedrock и Azure AI Foundry.

Grok развивается с другой стороны. xAI запустила Grok-1 в ноябре 2023, а к маю 2026 в активной линейке Grok 4.3 Beta, Grok 4.1 и Grok 4 — мажорные релизы каждые 2–4 месяца, что делает темп xAI одним из самых агрессивных в индустрии. Внутри подписки уже всё собрано: чат, поиск через DeepSearch, генерация картинок Aurora, короткие видео в Grok Imagine, голосовой режим в мобильном приложении, режим Companions с анимированными персонажами. Compute стоит на суперкомпьютере Colossus в Мемфисе с парком около 200 тысяч GPU.

Эту структурную разницу видно с первой минуты сравнения. У Llama вы платите за инфраструктуру и время своих инженеров; у Grok — фиксированную подписку $16 или $30 в месяц и получаете всё сразу. Зато у Grok нет варианта «забрать модель к себе в периметр» — никакие веса xAI не отдаёт.

На карте выше видно, что эти сервисы — представители разных подгрупп каталога text-ai: open-weight модели и закрытые SaaS-ассистенты. Часть подтем ниже будет сравнивать их «в лоб», часть — честно покажет, что параметр применим только к одной стороне.

На нашем опыте в редакции пара «Llama 4 Maverick через Groq + Grok SuperGrok» закрывает разные задачи и почти не конкурирует: первый используется для длинных документов и автоматизаций, второй — для real-time данных X и быстрого fact-check в свежих новостях. Так что «победитель» в этом обзоре будет разный в каждой подтеме — и это ожидаемо.

Если вы пишете рассылки на русском или готовите тексты для российской аудитории, оба сервиса требуют редактуры. И Llama, и Grok заточены под английский — с русским они работают «прилично», но без той естественности, которую дают YandexGPT и GigaChat.

У Llama официальная поддержка для Llama 3.1 заявлена для восьми «приоритетных» языков: английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Русского в этом списке нет — он работает, но как «один из 100+» в обучающем наборе. На моделях 70B и 405B результат лучше, чем на младших; в творческом тексте всё равно слышен «иностранный акцент» — кальки с английского синтаксиса, неудачные обороты, артефакты в идиомах.

Grok формально мультиязычный, и в нашем тесте на промптах вроде «напиши пост в Telegram про новый iPhone, тон — для аудитории 25–35, без штампов» Grok 4.1 уверенно держит структуру, но скатывается в формулировки уровня «передовые технологии» (которые мы потом вычищаем). Качество русского у Grok — на уровне «понимает и отвечает, но требует второй итерации». Официальных бенчмарков на русском от xAI нет — это data gap в обоих dossier.

Что важно для российского читателя: оба сервиса не понимают культурный контекст так, как локальные модели. Грубо: «8 марта», «майские», «пиши как для аудитории Хабра» — Llama и Grok вытягивают по общим английским ассоциациям, и без редактора текст всё равно выдаёт «иностранного автора». Если приоритет — нативное звучание, эти двое не первый выбор.

Сравнение в графике выше намеренно показывает паритет: у обоих сервисов в dossier зафиксирована оценка 6/10 за русский. Это не значит, что они одинаковы — у Llama есть готовые fine-tunes на русский (известный пример — «Сайга» от open-source-комьюнити, на базе которой работают многие RU-стартапы). У Grok таких форков нет: модель закрытая, дообучить под русский извне невозможно.

В обзоре категории text-ai мы подробно разбираем, как локализованные модели обгоняют западные на русском. Здесь же зафиксируем: ни Llama, ни Grok не закрывают сценарии, где нужен «чистый русский продакшен-текст» без дополнительной редактуры.

Загружаете 200-страничный договор в пятницу вечером и хотите получить сводку противоречий к понедельнику. От размера контекстного окна зависит, разбить ли документ на куски (и собирать ответ из фрагментов) или вкинуть всё разом и спросить как живого аналитика.

У Llama 4 Scout заявленный контекст — 10 миллионов токенов. На бумаге это рекорд индустрии: больше, чем у Claude Opus 4.7 и Gemini 3 Pro с их 1M. Llama 4 Maverick идёт следом с 1M, Llama 3.1 405B — 128K, а Llama 2 — старые 4K. Meta показала Scout как «10M-flagship» при релизе в апреле 2025; правда, независимых MRCR-тестов на полном 10M-контексте к маю 2026 в открытом доступе мало, и Llama 4 как раз попала под controversy с benchmark-gaming (см. подтему репутации ниже).

Grok 4 Fast и Grok 4.1 Fast несут 2M токенов — паритет с топовыми Claude и Gemini. У стандартного Grok 4 точное разделение контекста между «обычной» и «Fast»-версией публично не задокументировано — это data gap в dossier xAI.

На практике 2M против 10M — разница не везде линейная. Большой контекст полезен, когда речь о длинных кодовых базах, многотомных делах, агрегации научных статей. Для типичного рабочего сценария (40-страничный документ, переписка по проекту, RAG по корпоративной базе) хватает и 200K, которые обе модели легко перекрывают.

Заявленный объём — не то же самое, что «реально работающий объём». MRCR v2 и Needle-in-Haystack показывают, что у многих моделей при заявленных 1M+ точность падает уже на 200–800K. Для Llama 4 Scout 10M публичных независимых тестов на полном контексте мало — мы это честно фиксируем как ограничение, а не как «плюс».

Если у вас задача типа «прогнать всю базу прецедентов за год через одну модель в один вызов», Llama 4 Scout — единственный публичный фронтир с заявленными 10M; Grok 4 Fast с 2M закроет 95% типичных кейсов, но в редких длиннющих RAG-нагрузках упрётся раньше.

Финансовый аналитик хочет, чтобы модель прошла четырёхшаговую цепочку расчётов и не сорвалась на третьем шаге. Для таких задач важна не «умность модели вообще», а наличие специализированного reasoning-режима.

У Llama специализированной reasoning-модели нет. Аналога DeepSeek-R1 или OpenAI o3 от Meta не выпустили — reasoning у Llama достигается через chain-of-thought-prompting. Это даёт прирост качества, но не сравним с моделями, обученными под длинные цепочки рассуждений. Базовая reasoning-способность Llama 4 Maverick (400B total / 17B active MoE) конкурентна с GPT-4-уровнем, но в frontier-задачах AIME и GPQA лидируют не она.

У Grok есть отдельный Think mode — режим длинного chain-of-thought, который xAI напрямую противопоставляет o1/o3 от OpenAI. xAI заявляет, что Grok 3 и Grok 4 «обгоняют конкурентов» на AIME (математика) и GPQA (PhD-уровень науки). Источник этих заявок — материалы самой компании; независимая верификация бенчмарков Grok пока ограничена, что мы фиксируем в dossier как data gap.

В нашем тесте редакции мы давали обоим задачу «оценить, как изменится EBITDA при сценарии падения курса на 18%, росте затрат на персонал на 11% и переходе на новую систему учёта в Q3». Grok 4.1 в Think mode выдал последовательный расчёт с явными шагами и проверкой допущений. Llama 4 Maverick через Together справилась примерно так же, но без явной разбивки на шаги — пришлось добавить «думай по шагам» в промпт.

Стоимость reasoning-нагрузок — отдельный фактор. Длинная цепочка рассуждений Grok сжигает выходные токены по цене около $15 за 1M, тогда как Llama 70B через Together выходит в 15–20 раз дешевле. На больших объёмах это становится решающим.

Если бюджет ограничен и вы готовы написать промпт с шагами вручную — Llama закрывает большинство reasoning-кейсов. Если хочется «нажал кнопку Think — получил разложенный ответ» — Grok работает быстрее, без ручной возни с промптом.

Маркетолог хочет в одном окне разобрать скрин дашборда, сгенерировать постер для рассылки и записать голосовую заметку для подкаста. Тут вопрос — насколько широкий стек у каждого сервиса и что приходится подключать сторонним.

У Llama мультимодальность есть на входе. Llama 4 Scout и Maverick — нативно multimodal с поддержкой картинок; Llama 3.2 — отдельные vision-модели 11B и 90B. На выходе модель умеет только текст: ни генерации картинок, ни видео, ни голосового режима у самой Llama нет. Всё, что выходит за пределы текста, собирается отдельно — генерация картинок через FLUX или Imagen, видео через сторонние модели, голос через Whisper плюс ElevenLabs.

У Grok мультимодальный стек разворачивается прямо в подписке. Aurora — собственная text-to-image модель xAI, конкурент FLUX и Imagen. Grok Imagine — генерация коротких видео-клипов примерно по 6 секунд. Voice mode встроен в мобильное приложение (его точное состояние на 2026-05 — data gap в dossier xAI). Companions — анимированные персонажи с conversation-функционалом для consumer-аудитории.

Разница в подходах ощутимая: у Grok всё «под одной крышей» подписки SuperGrok за $30/мес. У Llama это распределено по разным сервисам — и для разработчика это плюс (можно выбирать лучшую модель в каждом домене), а для consumer-юзера — минус (надо разбираться, как и что подключать).

Таблица выше показывает разрыв: Aurora, Grok Imagine, Companions, Voice Mode — это набор фич, которые у Llama закрываются только сторонними моделями. Llama берёт реванш в одной нише: vision-input на 10M-контексте у Llama 4 Scout — единственный публичный фронтир с таким объёмом мультимодального ввода.

Для consumer-сценария «один сервис, который всё умеет» Grok закрывает базовый набор; для разработчика, собирающего свой продукт, Llama даёт текстовое ядро и оставляет свободу выбирать остальное.

Журналист в три часа дня готовит материал про новый твит CEO компании. Нужно увидеть оригинал, реакции в ленте, тренд за последний час, ссылки на первичные источники. От выбора сервиса зависит, успеете ли вы к дедлайну.

У Llama штатного поиска нет. Веса умеют генерировать текст; для свежих фактов нужно строить RAG-обвязку: индексировать корпоративную базу через Pinecone или Weaviate, подключать tool-use через function calling, обновлять данные по расписанию. Это работает — десятки тысяч продуктов так и сделаны — но требует своего инженера и времени на сборку pipeline.

У Grok поиск встроен в продукт. DeepSearch — обычный режим с поиском по веб-источникам и цитированием. DeeperSearch — расширенный режим с большим числом итераций и более глубоким анализом. И главное — прямой real-time доступ к X (Twitter). Других frontier-моделей с нативным подключением к социальной сети с реальным трафиком в индустрии нет: ChatGPT Search, Perplexity, Gemini работают с веб-снимками, а Grok видит твит в момент, когда он опубликован.

Кроме DeepSearch, у Grok есть Grokipedia — AI-сгенерированная энциклопедия, запущенная 27 октября 2025 года. По заявкам xAI, к маю 2026 в ней более 800 тысяч статей. Продукт сильно поляризован (см. подтему репутации), но как источник «свежей сводки по теме» работает.

Карта выше показывает структурную разницу: у Llama поиск — это инженерная задача, у Grok — фича на старте подписки. Для сценариев SMM, журналистики, тренд-аналитики и trading-research эта разница превращается в часы экономии.

Llama выигрывает обратно, когда поиск нужно ограничить внутренней базой компании: тут RAG на ваших данных под Llama работает приватнее, чем отправлять запросы в xAI. Но это уже другая задача — не «свежий поиск», а «приватный поиск по нашей базе знаний».

Разработчик в стартапе проверяет, какая модель сэкономит ему вечера: ревью PR'а на 600 строк, генерация миграции схемы БД, написание интеграционных тестов. Для этого нужен код-фокус, а не «универсальный ассистент».

У Llama специализированной code-модели для frontier-уровня нет с лета 2024. Code Llama, выпущенная на базе Llama 2, осталась как legacy. Llama 4 Maverick хорошо отрабатывает на общих задачах с кодом и через Together или Groq стоит копейки. По SWE-bench-уровню Llama 70B / 405B уступает Claude Sonnet 4.6 и OpenAI o3, но для рутинных задач — генерации функций, объяснения чужого кода, маленьких рефакторингов — даёт результат.

У Grok отдельной code-линейки тоже нет — это универсальная модель без специализации на кодинг. xAI делает ставку на широкие возможности, а не на «лучшую модель для разработки». В нашем редакционном тесте на «дай миграцию для Django с переименованием FK» Grok 4.1 справился, но без удобств, которые есть в Claude Code или Cursor: ни IDE-агента, ни долгоиграющего автономного режима, ни tight-loop с тестами.

В категории text-ai ни один из этих двух не выходит в первый эшелон по кодингу. Серьёзные кодеры выбирают между Claude, Cursor с Claude Sonnet 4.6, OpenAI o3 и DeepSeek-V3. Llama и Grok — это «удобно, когда уже подписан и нужно по-быстрому», но не сервисы первого выбора под повседневный кодинг.

Цена меняет картину. Llama 70B через Together — около $0.90 за 1M output-токенов; Grok 4 — порядка $15 за 1M output. Для непрерывного кодогенерационного pipeline (CI-агент, автогенерация тестов, autonomous reviewer) разница в 16 раз становится решающей, и Llama берёт верх просто на бюджете.

Если ваш стек уже завязан на Cursor или Claude Code — менять его на Llama или Grok смысла нет. Если же бюджет ограничен и кодинг не основная задача — Llama 70B через Groq закроет 80% сценариев за копейки.

Финансовый директор спрашивает: сколько мы заплатим за год, если 12 человек в команде получат к этому сервису доступ. И сразу второй вопрос: с какой картой это вообще можно оплатить из РФ.

Модели монетизации у Llama и Grok принципиально разные. Llama — это веса с прайсом ноль, к которым добавляется ваша инфраструктура. Через провайдеров (Together, Groq, Fireworks, Replicate, AWS Bedrock, Azure AI Foundry, Google Vertex AI) — pay-as-you-go от $0.20 до $2 за 1M токенов в зависимости от размера модели. Через consumer-каналы (Hugging Chat, Ollama, llama.cpp) — бесплатно для конечного пользователя.

У Grok классическая лестница подписок: бесплатный уровень с лимитом примерно в 2 промпта за 2 часа (слишком мало, чтобы было «настоящим free»), X Premium+ за $16/мес (Grok внутри X с расширенными лимитами), SuperGrok за $30/мес (все актуальные модели без лимитов, Aurora, Imagine, Think). SuperGrok Heavy упоминался xAI на анонсах Grok 4 с ценой порядка $300/мес — но его точный статус и актуальная цена на 2026-05 в нашем dossier зафиксированы как data gap.

Для типичной команды в 12 человек годовая стоимость Grok SuperGrok — около $4320 при условии, что каждый платит самостоятельно. Llama для такой же команды — стоимость серверного аккаунта Together AI плюс зарплата DevOps на сопровождение pipeline; на типичной нагрузке (5–10M токенов на человека в месяц) — около $1500–$2500 в год за всю команду через Together 70B.

Студент или энтузиаст хочет попробовать модель, не вводя карту. Тут важно не количество слов «бесплатно» в маркетинге, а что реально доступно без подписки и сколько времени это работает.

У Llama free навсегда — в самом прямом смысле. Скачали веса с Hugging Face, поставили Ollama на свой Mac M2 или RTX 4090, получили Llama 8B на 20–40 токенов в секунду без подписки и без интернета. Для совсем consumer-юзеров — бесплатный Hugging Chat, где доступ к Llama-моделям через web без регистрации платных аккаунтов.

У Grok free-уровень формально есть: войти в X, попросить Grok ответить — получите ответ. На практике лимит около 2 промптов за 2 часа делает его непригодным даже для серьёзного знакомства с продуктом. Aurora, Grok Imagine, Think mode и DeepSearch — все вне free-тарифа. То есть «попробовать всё, что есть в SuperGrok» бесплатно невозможно — нужна подписка хотя бы на месяц.

Разница превращается в простой тест: «Можно ли постоянно пользоваться сервисом без оплаты?» У Llama ответ — да, с оговоркой про железо. У Grok — нет, free-тариф здесь работает как trial на знакомство.

ML-команда планирует встроить LLM в продукт с типичной нагрузкой 10M токенов в месяц. На этом профиле различия в API-ценах между сервисами превращаются в десятки тысяч долларов в год.

У Llama API нет официального от Meta — есть множество провайдеров, и это в данном случае плюс. Together AI берёт $0.20–$2 за 1M токенов в зависимости от размера (Llama 8B — самая дешёвая, 405B — дороже). Groq на LPU-чипах даёт 500–1000+ токенов в секунду для Llama 70B при сопоставимой цене. Fireworks AI и Replicate — аналогично. AWS Bedrock, Azure AI Foundry, Google Vertex AI добавляют enterprise-условия: SLA, VPC-deployments, SSO.

У Grok API есть один — через xAI Cloud / developer console на x.ai. По сторонним публикациям 2025–2026 ориентировочная цена около $3 input / $15 output за 1M токенов для Grok 4. Точные актуальные цены на 2026-05 в нашем dossier зафиксированы как data gap: xAI не имеет такой прозрачной публичной price-таблицы, как OpenAI или Anthropic.

На графике видно: для production-нагрузок с большим объёмом output Llama через Together выигрывает у Grok в 8–15 раз по цене. Plus экосистема provider-агностичности — если Together поднимет цены, перенесёте нагрузку на Groq или Fireworks без переписывания кода. У Grok альтернативы поставщику нет.

Разработчик в Москве пытается понять, какой из двух сервисов можно реально использовать без VPN-марафона и пляски с зарубежными картами. Это не «политический фильтр», это бизнес-вопрос.

У Llama доступ из РФ работает почти идеально для open-weight-сценария. Веса свободно скачиваются с Hugging Face — иногда HF блокируется временно, но как правило доступен. Ollama на ноутбуке в Москве запускается без VPN. Self-host на серверах в РФ-периметре — рабочий вариант, через AWS / Azure / Vertex — тоже (если у компании зарубежный аккаунт). meta.ai (Meta AI Chat) — заблокирован в РФ и требует VPN плюс аккаунт в нужном регионе, но это consumer-сценарий, не разработческий.

У Grok ситуация сложнее. grok.com иногда открывается из РФ, но нестабильно. Через X доступ зависит от блокировки самой платформы — X в РФ доступен с переменным успехом. Подписка X Premium+ и SuperGrok оплачивается только зарубежной картой или через iTunes/Google Play с не-российским аккаунтом. Юридического присутствия в РФ у xAI нет, обработка ПДн идёт на серверах в США.

Для российского пользователя баланс простой: Llama закрывает сценарии работы из РФ без VPN-плясок. Grok требует и VPN, и зарубежную карту, и понимание того, что юридически вы пользуетесь сервисом без присутствия в России.

Банк в Москве или клиника в Питере хотят встроить LLM в свой контур — без выхода данных наружу, с аттестацией ФСТЭК и контролем по 152-ФЗ. Для таких задач self-host — единственный путь, и тут пара ассиметрична.

У Llama self-host — основной режим использования. Llama 4 Scout и Maverick, Llama 3.3 70B, Llama 3.1 405B и младшие модели свободно скачиваются с Hugging Face и разворачиваются у себя через vLLM (production-grade inference), llama.cpp (C++-инференс для CPU и consumer GPU), Ollama (one-click local install), TGI / Text Generation Inference. Для production-нагрузок типичный setup — 2×H100 для 70B-модели, 8×H100 для 405B. Это позволяет держать данные в собственном периметре, проходить аттестацию ФСТЭК (для гос-сегмента) и работать в режиме 152-ФЗ-compliance.

У Grok self-host невозможен. xAI не отдаёт веса модели наружу. Доступ — только через grok.com, X или API xAI Cloud. Для регуляторного контура это блокирующий фактор: банк не может развернуть Grok в своём DMZ.

Эта подтема — одно из ярких ассиметричных мест в паре. Llama для self-host получает 10 из 10, Grok — 1 из 10. Если задача требует on-prem — выбора между ними не существует.

Корпоративный юрист спрашивает: можем ли мы дать сотрудникам этот сервис в работу, если в логах могут быть ПДн клиентов и коммерческая тайна. Тут смотрим на сертификаты, retention-политику и режим использования данных для обучения.

У Llama compliance зависит от того, где модель развёрнута. На self-host — все режимы безопасности у вас в руках: SOC 2 / ISO 27001 — наследуются от вашего DC, политика хранения логов — ваша, обучение на данных — невозможно по определению (модель не отправляет ничего наружу). Через managed-провайдеров (AWS Bedrock, Azure AI Foundry, Vertex AI) — наследуются enterprise-сертификаты площадки: SOC 2 Type 2, ISO 27001, GDPR-режим для EU-регионов.

У Grok публичных compliance-сертификатов на 2026-05 в открытых источниках xAI наша редакция не нашла — это data gap в dossier. Шифрование TLS in transit заявлено, состояние at-rest публично не описано в деталях. Политика использования данных для обучения консьюмерами: xAI заявляет, что взаимодействия могут идти в обучение модели; opt-out-процедуры для consumer-пользователей менее очевидны, чем у Claude или ChatGPT.

Для enterprise-юриста картинка простая: Llama через managed-провайдера или self-host даёт понятный compliance-периметр. Grok как продукт без публичных SOC 2 / ISO 27001 — для регулируемых отраслей зона риска.

В обзоре мы стараемся не оставлять читателя с абстрактным «оба хорошие». Ниже — четыре конкретных рабочих сценария, в которых выбор очевиден.

Первый — ML-инженер банка с локальным compute и требованием 152-ФЗ. У него один реалистичный путь: Llama 4 Maverick или Llama 3.3 70B на 2×H100 с аттестацией ФСТЭК. Grok как SaaS xAI в такой контур не встраивается, и любая обработка персональных данных российских граждан через grok.com или API xAI выходит за рамки закона.

Второй — SMM-аналитик трейдингового Telegram-канала. Ему нужно за 30 секунд получать сводку «что сейчас обсуждают в X про конкретную акцию», цепляться к настроениям, делать fact-check свежих новостей. SuperGrok за $30/мес закрывает этот сценарий лучше всего: DeepSearch плюс real-time X — пара, аналога которой ни у Llama, ни у других frontier-моделей в индустрии нет.

Третий — стартап с RAG по 200К+ страниц юр-документов. Llama 4 Scout с заявленными 10M токенов контекста позволяет ставить очень амбициозные нагрузки в один вызов: «прогони всё дело и найди противоречия». Через Groq или Together нагрузка масштабируется, цена за 1M output остаётся в районе $0.90 для Llama 70B. У Grok 4 Fast 2M — для типичного юр-кейса тоже хватает, но именно «прогнать всё разом» — преимущество за Llama.

Четвёртый — журналист или редактор на западном рынке без своего железа. У него нет ресурсов и желания собирать pipeline — нужен один сервис, который сразу даст «свежий поиск + анализ». X Premium+ за $16/мес или SuperGrok — наиболее быстрый путь к рабочему процессу с real-time данными.

В четырёх портретах выше намеренно нет «универсального ассистента» — для него нужна не Llama и не Grok, а скорее Grok в паре с Claude или ChatGPT. Если вы попали в один из четырёх профилей, выбор уже сделан исходными условиями работы.

Если ваш кейс между — например, разработчик из РФ без серьёзной compute-базы, но желающий работать legally и платить рублями — ни Llama, ни Grok не идеальный выбор. Смотрите обзор всей категории text-ai, там подробнее разобраны GigaChat и YandexGPT.

В предыдущих подтемах мы давали цены кусками. Здесь — сводка по трём типичным профилям нагрузки: лёгкий, средний и тяжёлый. Цифры — ориентир по среднему чеку, без учёта зарплаты инженеров.

Лёгкий профиль — 5–10 чатов в день, без API-pipeline. Llama в этом сценарии стоит $0: Hugging Chat для consumer или Ollama локально на ноутбуке. Grok закрывается X Premium+ за $16/мес — это $192 в год, около 17 500 рублей по курсу ЦБ на дату обзора.

Средний профиль — около 1M токенов в месяц через API, типичный объём для разработчика-одиночки. Llama 8B через Together — около $2/мес, то есть около $24 в год. Grok SuperGrok ($30/мес) на сопоставимую нагрузку стоит $360 в год.

Тяжёлый профиль — 50M токенов в месяц, объём команды или активного pipeline. Llama 70B через Together или Groq — около $90/мес, то есть около $1080 в год. Grok 4 API на сопоставимый output (50M токенов output по цене около $15 за 1M) — порядка $9000 в год. Разница — почти в 8 раз в пользу Llama.

На графике видно, что разница нелинейная. На лёгком профиле обе подписки доступны, и Grok выглядит как «небольшая ежемесячная плата за удобство». На тяжёлом профиле Llama выигрывает на порядок, и для production-команды это становится решающим аргументом.

Цифры — ориентиры по среднему чеку, не гарантия. В реальной нагрузке всё зависит от соотношения input/output, кеширования промптов и того, какую модель вы выбрали под задачу. По нашему опыту в редакции мы платим за Llama через Groq для длинных задач (RAG по архиву обзоров) и за SuperGrok отдельно — для свежих сводок по индустрии. Эти подписки решают разные задачи и не конкурируют в нашем стеке.