Grok 4.7 vs 4.6: Was hat sich geändert, Benchmarks, lohnt sich das Upgrade?
grok-4.6 und grok-4.7 aktiv.Dieser Leitfaden behandelt, was sich geändert hat, die Benchmark-Zahlen von xAI und von Artificial Analysis nebeneinander, was der Token-Unterschied mit einer Rechnung macht, die denselben Stückpreis hat, und wie Sie das Upgrade an Ihrem eigenen Workload testen, bevor Traffic umzieht.
Was hat sich in Grok 4.7 geändert
xAI beschreibt drei Änderungen. Erstens ein größeres Basismodell: Grok 4.7 wurde aus einer größeren Basis als 4.6 trainiert. Zweitens ein längerer Reinforcement-Learning-Lauf auf einem schwierigeren Aufgabenmix, gewichtet auf Probleme, die viele Stunden bis zum Abschluss brauchen. Drittens das Verhaltensergebnis, das xAI hervorhebt: Das Modell sei „besser darin, die eigene Arbeit zu überprüfen und längeren Kontext zu verwalten“.
Was sich nicht geändert hat: der Kontext von 500.000 Token, Text- und Bildeingabe, Function Calling und strukturierte Ausgaben, die vier Reasoning-Aufwandsstufen, die Rate Limits und der Preis.
Grok 4.7 vs 4.6 Benchmarks: von xAI gemeldet und unabhängig gemessen
xhigh und Grok 4.6 auf high laufen.| Benchmark | Grok 4.6 (xAI) | Grok 4.7 (xAI) | Grok 4.6 (AA) | Grok 4.7 (AA) |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 20,3 % | 38,0 % | — | +4,5 Pkt. gegenüber 4.6 |
| Artificial Analysis Intelligence Index v4.3.2 | — | — | 44 | 46 |
| CursorBench 4.0 | 40,4 % | 46,3 % | — | — |
| DeepSWE v1.1 | 65,2 % | 71,0 % | — | — |
| EEBench | 53,0 % | 64,0 % | — | — |
| AA-Briefcase v1.1 (Elo) | 1.546 | 1.657 | 1.546 | 1.657 |
| GDPval (Elo) | 1.605 | 1.695 | 1.605 | 1.695 |
| Harvey Legal-Agent | 15,8 % | 19,6 % | — | — |
| HealthBench Professional | 48,5 % | 56,7 % | — | — |
| Output-Token pro Index-Aufgabe | — | — | ≈ 36.000 | ≈ 81.000 |
xhigh schreibt Grok 4.7 etwa 81.000 Output-Token pro Aufgabe, wo Grok 4.6 auf high 36.000 schrieb.Spezifikationen nebeneinander
| Dimension | Grok 4.6 | Grok 4.7 |
|---|---|---|
| API-Modell-ID | grok-4.6 | grok-4.7 |
| Release | 12. August 2026 | 21. September 2026 |
| Kontextfenster | 500.000 Token | 500.000 Token |
| Modalitäten | Text- und Bildeingabe; Textausgabe | Text- und Bildeingabe; Textausgabe |
| Reasoning-Aufwand | low, medium, high (Standard), xhigh | low, medium, high (Standard), xhigh |
| Function Calling und strukturierte Ausgaben | Ja | Ja |
| Standardpreis pro 1M Token (xAI direkt) | $2 Input, $0,50 gecachter Input, $6 Output | $2 Input, $0,50 gecachter Input, $6 Output |
| Long-Context-Stufe | Prompt ≥ 200.000 Token: jedes Token wird mit 2× abgerechnet | Gleiche Regel, gleiche Schwelle |
| Fast-Variante | — | Grok 4.7 Fast: 2× Geschwindigkeit, 2× Preis ($4 / $1 / $12); nur in Cursor und Grok Build, nicht auf der öffentlichen API |
| Veröffentlichte Rate Limits | 150 Requests/s, 50M Token/min | 150 Requests/s, 50M Token/min |
| EvoLink-Route | Aktiv | Aktiv seit dem 22. September 2026 (Standardmodell) |
Derselbe Preis pro Token, nicht dieselbe Rechnung
Beide Modelle rechnen zu xAIs Direktpreisen $2 pro Million Input-Token und $6 pro Million Output-Token ab. Der Stückpreis steht fest. Was sich geändert hat, ist, wie viele Einheiten das neue Modell verbraucht, um eine Aufgabe abzuschließen.
xhigh gegenüber 36.000 bei 4.6 auf high. Bei $6 pro Million Output-Token sind das grob $0,49 gegenüber $0,22 Output pro Aufgabe, vor jeglichen Kosten für Input, Cache oder Tools. Die höhere Aufwandseinstellung ist Teil dieses Unterschieds, weshalb der erste Schritt darin besteht, beide Modelle mit demselben Aufwand an Ihren eigenen Aufgaben laufen zu lassen.cost per accepted task = total billed cost of all attempts / accepted tasksZählen Sie Fehlschläge und Wiederholungen im Zähler mit. Wird keine Aufgabe akzeptiert, berichten Sie dieses Ergebnis; weisen Sie keine Kosten von null aus. Halten Sie die Kosten für menschliches Review getrennt von den API-Kosten.
Drei Abrechnungsregeln gelten für beide Modelle gleichermaßen und sollten mit echten Traces geprüft werden:
- Die 200.000-Token-Schwelle. Erreicht ein Prompt 200.000 Token, rechnet xAI jedes Token dieses Requests zum Long-Context-Preis ab. Eine Konversation, die mitten in der Sitzung über die Schwelle wächst, verdoppelt ab diesem Punkt ihre Kosten.
- Gecachter Input. Stabile System-Prompts und Tool-Schemas können zum Cache-Preis bedient werden. Prüfen Sie das Feld für gecachte Token in der Nutzung, um zu bestätigen, dass der Cache bei Ihrem Request-Muster trifft.
- Tool-Kosten. Seit dem 21. September 2026 rechnet xAI X Search pro abgerufenem Post ($5 pro 1.000) und pro abgerufenem Nutzerprofil ($10 pro 1.000) ab statt pro Aufruf, für Grok 4.5, 4.6 und 4.7 gleichermaßen. Andere Server-Tools bleiben pro Aufruf.
So führen Sie einen fairen Upgrade-Test durch
Beginnen Sie mit einem Problem, das 4.6 tatsächlich hat. Wenn 4.6 Ihre Akzeptanzregeln und Ihre Deadline erfüllt, kostet Bleiben nichts extra. Reservieren Sie den Test für Workloads mit einem benennbaren Fehler: ein Code-Assistent, der einen Fix erklärt, statt ihn umzusetzen; ein Extraktionsauftrag, der valides JSON mit fehlenden Feldern liefert; ein Agent, der fertig wird, aber mit wiederholten Tool-Aufrufen das Latenzbudget sprengt.
| Ihre Situation | Was zu tun ist | Was eine Verlagerung rechtfertigen würde |
|---|---|---|
| Korrekte Ergebnisse, akzeptable Kosten und Latenz | Ein kleines Regressionsset sichern; 4.7 ohne Eile testen | Klarer Nutzen ohne Verlust benötigten Verhaltens |
| Unfertige Repository-Aufgaben | Repräsentative Fehlschläge und unabhängige Tests sammeln | Mehr akzeptierte Fixes innerhalb desselben Budgets |
| Tool-Schleifen oder teure Wiederholungen | Traces und kontrollierte Fehlerfälle aufbewahren | Bessere Fehlererholung und niedrigere Kosten pro akzeptierter Aufgabe |
| Long-Context-Aufgaben, die frühere Vorgaben verlieren | Fälle in realen Kontextgrößen aufbauen, auch nahe 200K | Beibehaltene Vorgaben bei gleichem oder geringerem Token-Verbrauch |
| Harte Liefer-Deadline | Die geprüfte 4.6-Konfiguration behalten | Validierung vor der Deadline abgeschlossen |
high, und halten Sie fest, wie viele Reasoning- und Output-Token jedes verbraucht hat. Ein zweiter Durchlauf darf jedes Modell getrennt optimieren; berichten Sie die beiden Durchläufe getrennt.Bei einer Repository-Aufgabe muss ein akzeptierter Lauf einen funktionierenden Patch liefern, die relevanten Tests bestehen und im erlaubten Umfang bleiben. Eine plausible Erklärung ohne Patch fällt durch. Wenn der Agent angibt, Tests ausgeführt zu haben, bewahren Sie die Tool-Ausgabe auf, damit ein Reviewer diese Behauptung prüfen kann. So wird die Behauptung „überprüft die eigene Arbeit“ beobachtbar.
Bewerten Sie abgeschlossene Arbeit, nicht die Antwort:
| Metrik | Wie sie gemessen wird | Fehler, den sie verhindert |
|---|---|---|
| Quote akzeptierter Aufgaben | Aufgaben, die die eingefrorene Bewertungsrubrik erfüllen, geteilt durch versuchte Aufgaben | Plausible Antworten als abgeschlossene Arbeit zu zählen |
| Einhaltung des Umfangs | Erlaubte Änderungen, Aktionen und Vorgaben prüfen | Einen wirksamen, aber unzulässigen Workaround zu belohnen |
| Abschlusszeit | Vom Aufgabenstart bis zum akzeptierten Artefakt, einschließlich Wiederholungen | Die Geschwindigkeit bis zum ersten Token als End-to-End-Latenz auszugeben |
| Reasoning- und Output-Token pro Aufgabe | Nutzungsfelder jedes Versuchs, nach Aufwandseinstellung | Anzunehmen, gleiche Preise bedeuteten gleiche Ausgaben |
| Abgerechnete Kosten pro Akzeptanz | Kosten aller Versuche geteilt durch akzeptierte Aufgaben | Ausgaben für fehlgeschlagene Requests und Wiederholungen zu verstecken |
| Review-Aufwand | Korrekturen und Reviewer-Zeit getrennt erfassen | Arbeit unsichtbar vom Modell auf einen Menschen zu verlagern |
Führen Sie Rohzahlen neben Prozentwerten und wiederholen Sie schwierige Fälle, um Streuung sichtbar zu machen. Lassen Sie nicht zu, dass ein Coding-Benchmark Ihren Aufgabenmix ersetzt: Behalten Sie Übersetzungs-, Extraktions- und Screenshot-Fälle im Regressionsset.
Kompatibilitätsprüfungen und Rollout
Derselbe Anbieter, dasselbe Protokoll, dieselben Aufwandswerte: Auf dem Papier ist das eine Einzeiler-Änderung. In der Praxis zeigen sich Versionswechsel bei der Output-Form, im Tool-Verhalten und in Grenzfällen.
| Oberfläche | Was zu bewahren ist | Was erneut zu testen ist |
|---|---|---|
| Modell-ID | Explizite Konfiguration und Rollback-Wert | grok-4.7 senden; die Modell-ID in der Antwort bestätigen |
| Strukturierte Ausgabe | Ihr Schema und Ihr Validator | Fehlende Felder, ungültige Werte und Abschneiden |
| Tools | Tool-Definitionen und Autorisierungsgrenzen | Argumente, wiederholte Aufrufe und Fehlererholung |
| Streaming | Umgang mit Teilausgaben | Event-Struktur, unterbrochene Antworten und Endzustand |
| Konversationszustand | Ursprüngliche Nachrichten und Testdaten | Kontextlimits, Komprimierung und beibehaltene Vorgaben |
| Nutzung und Abrechnung | Logs, die eine Aufgabe mit ihren Versuchen verknüpfen | Abrechnung von Cache, Reasoning, Output und Tools je Modell |
Ändern Sie Modell, Prompt, Tool-Adapter und Retry-Richtlinie nicht gleichzeitig. Beginnen Sie mit Offline-Replay, lassen Sie dann rein lesende Arbeit im Shadow-Modus mitlaufen, während 4.6 für das nutzersichtbare Ergebnis verantwortlich bleibt, und verlagern Sie erst dann einen begrenzten Workload. Definieren Sie eine Stoppbedingung in betrieblichen Begriffen: ein kritischer Schemafehler, nicht autorisiertes Tool-Verhalten, ein Rückgang akzeptierter Ergebnisse oder Kosten und Latenz außerhalb des Budgets. Prüfen Sie beim Zurückschalten, welche Seiteneffekte bereits abgeschlossen wurden, bevor Sie auf 4.6 wiederholen.
Die Beförderung muss nicht nach dem Alles-oder-nichts-Prinzip erfolgen. Ein Kandidat könnte sich schwierige Repository-Aufgaben verdienen, während 4.6 vorhersehbare Extraktionsarbeit behält. Da die Preise identisch sind, kostet eine Aufteilung beim Stückpreis nichts extra; sie kostet Monitoring und Konfiguration.
Die praktische Entscheidung auf EvoLink
FAQ
Ist Grok 4.7 besser als Grok 4.6?
Nach xAIs Zahlen eindeutig: Terminal-Bench 4.0 verdoppelt sich fast, und jeder gelistete Benchmark verbessert sich. Im unabhängigen Lauf von Artificial Analysis ist der Zuwachs kleiner, zwei Index-Punkte und 4,5 Punkte auf Terminal-Bench, bei mehr als doppelt so vielen Output-Token pro Aufgabe. Ob es für Sie besser ist, misst der paarweise Test.
Was ist der Benchmark-Unterschied zwischen Grok 4.7 und 4.6?
xAI meldet Terminal-Bench 4.0 mit 38,0 % gegenüber 20,3 %, CursorBench mit 46,3 % gegenüber 40,4 % und GDPval mit 1.695 gegenüber 1.605 Elo. Artificial Analysis misst den Intelligence Index mit 46 gegenüber 44. Die vollständige Übersicht mit Quellen steht in der Tabelle oben.
Kostet Grok 4.7 mehr als Grok 4.6?
xhigh im Test von Artificial Analysis etwa 81.000 Output-Token gegenüber 36.000 bei 4.6 auf high, sodass dieselbe Arbeit mehr kosten kann.Sollte ich von Grok 4.6 auf 4.7 upgraden?
Upgraden Sie die Workloads, bei denen 4.6 einen benennbaren Fehler zeigt und 4.7 den paarweisen Test zu akzeptablen Kosten pro akzeptierter Aufgabe besteht. Behalten Sie 4.6 als Rollback-Ziel. Ein Release ist keine Abkündigung.
Kann ich denselben Prompt und dieselbe Aufwandseinstellung wiederverwenden?
low, medium, high und xhigh. Optimieren Sie danach getrennt und berichten Sie die Durchläufe getrennt.Brauchen Tool-Aufrufe und strukturierte Ausgaben einen weiteren Test?
Ja. Testen Sie Schemas, Argumente, Fehlererholung und Output-Validierung erneut und prüfen Sie die Tool-Kosten neu: X Search wird jetzt pro abgerufenem Post und Nutzerprofil abgerechnet.
Was ist Grok 4.7 Fast?
Dasselbe Modell auf schnellerer Infrastruktur mit doppelter Output-Geschwindigkeit zum doppelten Token-Preis. xAI bietet es nur in Cursor und Grok Build an, nicht auf der öffentlichen API; EvoLinks Grok 4.7-Route bedient das Standardmodell.
Wann sollte ich ein Rollback durchführen?
Wenn ein kritisches Verhalten versagt oder Ihre vorab festgelegten Grenzen für Qualität, Kosten oder Latenz überschritten werden. Prüfen Sie abgeschlossene Seiteneffekte, bevor Sie eine Aufgabe auf dem anderen Modell wiederholen.
