xAI正式发布Grok 4.7 还是没赶上这一代顶尖模型

作者：博阳，腾讯科技

美国当地时间9月21日，埃隆·马斯克旗下的xAI正式发布了新一代旗舰模型Grok 4.7。此前，xAI已先后至少5次推迟了该模型的发布时间。

作为xAI至今为止能力最强的编码与知识工作模型，Grok 4.7的参数量提升至2.1万亿，相比上一代Grok 4.6的 1.5万亿增长了约40%。在保持输入每百万Token 2美元、输出每百万Token 6美元（与Grok 4.6一致）的价格前提下，实现了输出速度与长时程推理能力的明显提升。

马斯克发帖截图

对于这次发布，马斯克在X上评价称，Grok 4.7实现了“智能、速度与低成本的强力结合”。

即日起，Grok 4.7已在Cursor、Grok应用、Grok Build中正式上线，同时也已通过Grok API、第三方编码工具框架以及主流云平台全面开放供开发者与企业使用。

然而，科技媒体与行业分析师的反应却相对温和甚至克制。多家媒体指出，尽管 Grok 4.7相比Grok 4.6有所进步，但在顶尖模型纷纷跨越新门槛的当前阶段，它的登场更像是一场“反响平平的晚到派对”，依然没能打破由Anthropic Fable 5.1和OpenAI GPT-6 Astra占据的第一梯队格局。

跑分比GPT 5.6强，但够不到最前沿

从主要跑分轴上来看，模型的整体水平是在上一代OpenAI和Anthropic旗舰和这一代旗舰之间。

在多项核心基准测试中，Grok 4.7表现出全面超越前代的进阶实力。在软件工程基准 CursorBench 4.0中取得46.3%得分，虽低于Fable 5.1 Max（51.8%），但超越了 GPT-5.6 Sol Max（41.7%）；在DeepSWE v1.1（高努力模式）和AA Briefcase v1.1（多小时办公）测试中，得分分别达到71.0%与1,657分，均优于前代及部分同级竞品，逼近第一梯队顶尖模型。

然而，Grok 4.7 依然栽在了二线模型普遍和一线模型差异最大的Terminal-Bench 4.0上。

在多小时终端工作基准Terminal-Bench 4.0测试中，Grok 4.7得分为38.0%，略高于GPT-5.6 Sol Max的37.3%。但远低于Anthropic Claude Fable 5.1的57.9%，甚至不如GLM、Qwen、DeepSeek最新的模型。

在具体垂直领域的Benchmark上，Grok 4.7则下了不少功夫，取得的成绩还不错。

在电气工程基准EEBench（64.0%）与法律基准Harvey Legal Agent（19.6%）测试中均取得领先，超越了前代及Fable 5.1 Max、GPT-5.6 Sol Max等主要竞品；在临床推理基准HealthBench Professional中得分达56.7%，较前代（48.5%）明显提升，但仍落后于GPT-5.6 Sol Max（60.5%）与Fable 5.1 Max（62.1%）。

在模拟专业人员日常文档与演示文稿创建的GDPval评估中，Grok 4.7取得了1,695的Elo得分，超越前代Grok 4.6的1,605与GPT-6 Astra Max的 1,542，仅次于Claude Fable 5.1的1,735。

综合来看，在Artificial Analysis综合智能指数上，Grok 4.7取得了46分，在第二梯队上名列第一。

训练层面，进步有限

就目前发布页的情况看，Grok 4.7整体在训练期间创新不太多。

比较明确的策略有，强化学习向高难复杂任务倾斜，采用更长的强化学习（RL）训练阶段，大幅加权了需要数小时才能完成的复杂长任务。

原生集成Grok Bot Harness，首次将模型与底层的Grok Bot工具运行环境（Harness）进行原生深度融合训练。

注重自我验证与长上下文管理，模型在自我结果验证与长序列上下文保持上的能力得到加强，能够更及时地在错误积累前发现并纠正偏误。

这些都是现在前沿模型训练的标准操作。

除此之外，Grok 4.7还在训练阶段引入SpaceX独家工程数据，训练集融入了来自SpaceX的星链（Starlink）卫星遥测数据、制造记录与工程故障日志。

这也是为什么它在工程Benchmark上表现亮眼的原因，因为自家有数据。

便宜这张牌，也不好打

从当下来看，价格可能是它相对第一梯队的主要优势。但这个优势其实非常脆弱。

Grok 4.7的API基础定价为输入每百万Token 2美元、输出每百万Token 6美元。相比之下，GPT-5.6 Sol Max输入价格为每百万4美元、输出价格为每百万20美元；Fable 5.1 Max输入价格达每百万10美元、输出价格则是每百万50美元。

这意味着，Grok 4.7的Token成本仅为GPT-5.6 Sol Max的三分之一到二分之一，仅为Fable 5.1 Max的五分之一到八分之一。

但相对于实际能力与Grok 4.7相当的国产模型，这个价格其实整体优势不算大。除了相对于Kimi K3有一些明显价格优势，相对其他模型而言依然很贵。

这就使Grok 4.7的定价定位略显尴尬。

而且Grok 4.7 本身也有非常严重的过度思考问题。

科技媒体The New Stack在分析中特别指出，由于Grok 4.7在长推理阶段输出了更多Token（平均每项任务约8.1万个Token，高于Grok 4.6的3.6万个），虽然单价较低，但实际复杂任务中的单次总开销可能会因Token输出膨胀而有所上升。

马斯克没能fake it until make it

“Fake it until you make it”（先装模作样，直到弄假成真），马斯克一直是这句话最忠实的践行者，但在这个刚刚发布的 Grok 4.7 上，他的预期管理魔法似乎失灵了。

按照马斯克一贯的营销节奏，Grok 4.7 的预热原本也是冲着秒杀全场去的。

7 月底，他先抛出了硬指标：2.1 万亿参数，规模比上一代大 40%。除了响应速度稍慢，其他方面都会更好。到了 8 月中旬，他直接在社交平台上放话：4.7 将超过市面上所有模型。为了增加说服力，他甚至搬出了 SpaceX 的独家训练数据背书，表示如果在真实工程能力上比不过别人，他“会很吃惊”。

但大模型的玄学就在于，哪怕是马斯克，也得向微调低头。

9 月初，原本承诺的上线时间变成了“十天后”；到了 9 月 11 日，期限又被推迟成了“还得再煮几天”。马斯克的解释倒是很实在：训练时对长回答的惩罚太狠了，导致模型遇到本能解出的难题也提前罢工，自我检查也漏洞百出。

到了 9 月 14 日，官方的“降调”正式开始。马斯克在发帖时话锋一转，把 4.7 的对标对象从“超越所有”默默改成了“大致相当于 Opus 5.0，而不是 5.1”，并承认多模态能力还得继续修补。

更有意思的是，他顺手把那些没能兑现的承诺，打包递给了未来的版本：4.8 会有明显提升，4.9 大概能摸到 Astra 或者 Fable 的水平，至于那个“比所有模型都强”的究极形态，可能得等 Grok 5 了。曾经斩钉截铁的“会超过”，变成了满屏的“大概”和“可能”。

等到 9 月 21 日正式发布时，马斯克已经完全接受了现实。

在宣发上，他不再提什么全面领先，而是坦承公司在智能体编程方面排在 Anthropic 和 OpenAI 后面。如今 Grok 4.7 的核心卖点，已经变成了四个字：便宜好用（速度快、成本低，适合日常干活）。