9 月 21 日,xAI 上线 Grok 4.7,接替 Grok 4.6 成为官方所称的"最强编码与知识工作模型"。升级路线写得很明白:换更大的基座模型,拉长强化学习训练,任务难度权重向"需要数小时才能完成的问题"倾斜,并针对自家 Grok Bot harness 做了原生适配。
官方跑分:涨在哪里
按 xAI 公布的对比表,Grok 4.7(xHigh 档)对 Grok 4.6(High 档)在列出的七项评测上全部上涨:CursorBench 4.0 从 40.4% 升至 46.3%;DeepSWE v1.1 在 high effort 设定下拿到 71.0%,超过 Grok 4.6 的 65.2% 与 Fable 5.1 Max 的 70.0%,略低于 GPT-5.6 Sol Max 的 72.7%;电子工程方向的 EEBench 提到 64.0%,把 GPT-5.6 Sol(39.4%)和 Fable 5.1(56.4%)都甩在身后。
专业工作负载上,AA Briefcase v1.1 得分 1657,高于 Grok 4.6 的 1546;GDPval Elo 得分 1695,高于 Grok 4.6 的 1605 和 GPT-6 Astra max 的 1542,但仍落后 Fable 5.1 max 的 1735;法律方向的 Harvey Legal Agent Benchmark 拿到 19.6%,是四款对比模型里最高的。
表格并非全绿:Terminal-Bench 4.0 官方自报 38.0%,Fable 5.1 则是 57.9%;HealthBench Professional 56.7% 也低于 Sol(60.5%)和 Fable(62.1%)。长时终端任务和临床推理仍是对手的阵地。
定价与安全
价格维持不变:每百万输入 token 2 美元、输出 6 美元,与 Grok 4.6 完全一致,另有两倍输出速度、两倍价格的快速变体。模型现已进入 Cursor、Grok Build、Grok API 及第三方编码工具与云平台,独立报道显示 GitHub Copilot 也已接入。
安全是这次公告着墨最多的部分:xAI 称全新 safeguard stack 是"自家测过的拒绝与越狱抵抗最强模型",在 LatchBio 生物安全基准以 62.4% 居首;HackerBench v0.3 上仅 3.3% 的双用途风险提示被放过,同时很少误伤合法安全工作;部分网络安全合作伙伴已获邀内测其红队能力。
第三方复测的分歧
自报之外,独立复测给出了另一个数字。The Neuron 援引 The Decoder 转述的 Artificial Analysis 结果,Terminal-Bench 4.0 上 Grok 4.7 为 26%,GPT-6 Astra 约 60%、Fable 5.1 约 55%——与 xAI 自报的 38% 相差 12 个百分点。厂商自选设置与独立评测配置不同导致分数漂移并不罕见,但这个量级的落差足以提醒读者:发布日表格永远只是故事的一半。
所以呢
Grok 4.7 的策略是"同价换更强":在 $2/$6 的价位(Sol 为 $4/$20,Fable 5.1 为 $10/$50)把编码与专业知识分数往上抬,而不是去卷最贵档位。对开发者,中价位性价比线又被推高一格;对行业,值得盯的是独立评测后续是否收敛——若 Artificial Analysis 复测随版本迭代向官方靠拢,差距来自配置;若持续不收敛,这张对比表就要打折看。发布日的热闹不稀缺,稀缺的是两周后仍在更新的独立数据。