Grok 4.7 vs 4.6: qué cambia, benchmarks y si conviene actualizar
grok-4.6 y grok-4.7.Esta guía cubre qué cambió, las cifras de benchmarks de xAI y de Artificial Analysis lado a lado, qué hace la diferencia de tokens con una factura que tiene el mismo precio unitario y cómo probar la actualización con tu propia carga de trabajo antes de mover tráfico.
Qué cambió en Grok 4.7
xAI describe tres cambios. Primero, un modelo base más grande: Grok 4.7 se entrena a partir de una base mayor que la de 4.6. Segundo, un entrenamiento por refuerzo más largo sobre una mezcla de tareas más difíciles, con más peso en problemas que tardan muchas horas en completarse. Tercero, el resultado de comportamiento que xAI destaca: el modelo es «mejor verificando su propio trabajo y gestionando contextos más largos».
Lo que no cambió: el contexto de 500.000 tokens, la entrada de texto e imagen, el function calling y las salidas estructuradas, los cuatro niveles de esfuerzo de razonamiento, los límites de tasa y el precio.
Benchmarks de Grok 4.7 vs 4.6: según xAI y según terceros
xhigh y Grok 4.6 con high.| 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 puntos sobre 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 |
| Agente jurídico de Harvey | 15,8 % | 19,6 % | — | — |
| HealthBench Professional | 48,5 % | 56,7 % | — | — |
| Tokens de salida por tarea del índice | — | — | ≈36.000 | ≈81.000 |
xhigh, Grok 4.7 escribe unos 81.000 tokens de salida por tarea donde Grok 4.6 con high escribía 36.000.Especificaciones lado a lado
| Dimensión | Grok 4.6 | Grok 4.7 |
|---|---|---|
| ID del modelo en la API | grok-4.6 | grok-4.7 |
| Lanzamiento | 12 de agosto de 2026 | 21 de septiembre de 2026 |
| Ventana de contexto | 500.000 tokens | 500.000 tokens |
| Modalidades | Entrada de texto e imagen; salida de texto | Entrada de texto e imagen; salida de texto |
| Esfuerzo de razonamiento | low, medium, high (por defecto), xhigh | low, medium, high (por defecto), xhigh |
| Function calling y salidas estructuradas | Sí | Sí |
| Tarifa estándar por millón de tokens (xAI directo) | 2 $ de entrada, 0,50 $ en caché, 6 $ de salida | 2 $ de entrada, 0,50 $ en caché, 6 $ de salida |
| Tramo de contexto largo | Prompt ≥ 200.000 tokens: todos los tokens se facturan al doble | Misma regla, mismo umbral |
| Variante Fast | — | Grok 4.7 Fast: 2× velocidad, 2× precio (4 $ / 1 $ / 12 $); solo en Cursor y Grok Build, no en la API pública |
| Límites de tasa publicados | 150 solicitudes/s, 50M tokens/min | 150 solicitudes/s, 50M tokens/min |
| Ruta en EvoLink | Activa | Activa desde el 22 de septiembre de 2026 (modelo estándar) |
Mismo precio por token, no la misma factura
Ambos modelos facturan 2 $ por millón de tokens de entrada y 6 $ por millón de tokens de salida en las tarifas directas de xAI. El precio unitario está fijado. Lo que cambió es cuántas unidades gasta el nuevo modelo para terminar una tarea.
xhigh frente a 36.000 de 4.6 con high. A 6 $ por millón de tokens de salida, eso son aproximadamente 0,49 $ frente a 0,22 $ de salida por tarea antes de cualquier cargo por entrada, caché o herramientas. El ajuste de esfuerzo más alto forma parte de esa diferencia, y por eso lo primero que hay que hacer es ejecutar ambos modelos con el mismo esfuerzo en tus propias tareas.cost per accepted task = total billed cost of all attempts / accepted tasksCuenta los fallos y los reintentos en el numerador. Si no se acepta ninguna tarea, informa de ese resultado; no muestres un coste cero. Mantén el coste de la revisión humana separado de los cargos de la API.
Un ejemplo ilustrativo, no una prueba de un modelo: el modelo A gasta 24 $ en 100 tareas y acepta 80, es decir, 0,30 $ por aceptación. El modelo B, con las mismas tarifas, gasta 54 $ en las mismas 100 tareas porque razona más tiempo, y acepta 92, es decir, unos 0,59 $ por aceptación. B cuesta casi el doble por tarea aceptada, pero deja 12 fallos menos que reintentar o pasar a una persona. Que sea o no mejor negocio depende de lo que te cueste un fallo. La tarifa por token no puede responder a eso; la prueba en igualdad de condiciones sí.
Tres reglas de facturación se aplican por igual a ambos modelos y deberían comprobarse con trazas reales:
- El umbral de los 200.000 tokens. Cuando un prompt alcanza los 200.000 tokens, xAI factura todos los tokens de esa solicitud a la tarifa de contexto largo. Una conversación que supera el umbral a mitad de sesión duplica su coste a partir de ese punto.
- Entrada en caché. Los prompts de sistema y los esquemas de herramientas estables pueden servirse a la tarifa de caché. Comprueba el campo de tokens en caché del uso para confirmar que la caché acierta con tu patrón de solicitudes.
- Cargos por herramientas. Desde el 21 de septiembre de 2026, xAI factura X Search por publicación recuperada (5 $ por cada 1.000) y por perfil de usuario recuperado (10 $ por cada 1.000) en lugar de por llamada, para Grok 4.5, 4.6 y 4.7 por igual. Las demás herramientas de servidor siguen siendo por llamada.
Cómo hacer una prueba de actualización en igualdad de condiciones
Empieza por un problema que 4.6 tenga de verdad. Si 4.6 cumple tus reglas de aceptación y tu plazo, quedarse no tiene penalización de coste. Reserva la prueba para las cargas de trabajo con un fallo con nombre: un asistente de código que explica una corrección en lugar de hacerla, un trabajo de extracción que devuelve JSON válido con campos ausentes, un agente que termina pero revienta el presupuesto de latencia con llamadas a herramientas repetidas.
| Tu situación | Qué hacer | Qué justificaría moverse |
|---|---|---|
| Resultados correctos, coste y latencia aceptables | Guarda un pequeño conjunto de regresión; prueba 4.7 sin urgencia | Una ganancia clara sin perder el comportamiento exigido |
| Tareas de repositorio sin terminar | Reúne fallos representativos y tests independientes | Más correcciones aceptadas con el mismo presupuesto |
| Bucles de herramientas o reintentos caros | Conserva las trazas y los casos de error controlados | Mejor recuperación y menor coste por tarea aceptada |
| Tareas de contexto largo que pierden restricciones anteriores | Construye casos con tamaños de contexto reales, incluidos los cercanos a 200K | Restricciones conservadas con el mismo uso de tokens o menor |
| Plazo de entrega estricto | Mantén la configuración de 4.6 ya verificada | Validación completada antes del plazo |
high, y registra los tokens de razonamiento y de salida que consumió cada uno. Una segunda pasada puede ajustar cada modelo por separado; informa de las dos pasadas por separado.En una tarea de repositorio, una ejecución aceptada debe producir un parche que funcione, pasar los tests pertinentes y mantenerse dentro del alcance permitido. Una explicación plausible sin parche es un fallo. Si el agente dice que ejecutó los tests, conserva la salida de la herramienta para que un revisor pueda comprobar esa afirmación. Así la afirmación de «verificar su propio trabajo» se vuelve observable.
Puntúa el trabajo completado, no la respuesta:
| Métrica | Cómo medirla | Error que evita |
|---|---|---|
| Tasa de tareas aceptadas | Tareas que cumplen la rúbrica congelada divididas entre las tareas intentadas | Contar respuestas plausibles como trabajo completado |
| Cumplimiento del alcance | Comprueba las ediciones, las acciones y las restricciones permitidas | Premiar un atajo eficaz pero inaceptable |
| Tiempo de finalización | Desde el inicio de la tarea hasta el artefacto aceptado, reintentos incluidos | Presentar la velocidad del primer token como latencia de extremo a extremo |
| Tokens de razonamiento y de salida por tarea | Campos de uso de cada intento, por ajuste de esfuerzo | Suponer que tarifas iguales significan gasto igual |
| Coste facturado por aceptación | Todos los cargos de los intentos divididos entre las tareas aceptadas | Ocultar el gasto en solicitudes fallidas y reintentos |
| Carga de revisión | Correcciones y tiempo del revisor, registrados por separado | Trasladar de forma invisible trabajo del modelo a una persona |
Mantén los recuentos brutos junto a los porcentajes y repite los casos difíciles para sacar a la luz la variabilidad. No dejes que un benchmark de programación sustituya tu combinación de tareas: conserva los casos de traducción, extracción y capturas de pantalla en el conjunto de regresión.
Comprobaciones de compatibilidad y despliegue
Mismo proveedor, mismo protocolo, mismos valores de esfuerzo: sobre el papel, es un cambio de una línea. En la práctica, los cambios de versión afloran en la forma de la salida, el comportamiento de las herramientas y los casos límite.
| Área | Qué conservar | Qué volver a probar |
|---|---|---|
| ID del modelo | Configuración explícita y valor de reversión | Envía grok-4.7; confirma el ID del modelo en la respuesta |
| Salida estructurada | Tu esquema y tu validador | Campos ausentes, valores no válidos y truncamiento |
| Herramientas | Definiciones de las herramientas y límites de autorización | Argumentos, llamadas repetidas y recuperación ante errores |
| Streaming | Gestión de la salida parcial | Forma de los eventos, respuestas interrumpidas y estado terminal |
| Estado de la conversación | Mensajes y datos de prueba originales | Límites de contexto, compactación y restricciones conservadas |
| Uso y facturación | Registros que vinculan una tarea con sus intentos | Contabilidad de caché, razonamiento, salida y herramientas por modelo |
No cambies a la vez el modelo, el prompt, el adaptador de herramientas y la política de reintentos. Empieza con una reproducción offline, después ejecuta en la sombra trabajo de solo lectura mientras 4.6 sigue siendo el responsable de lo que ven los usuarios, y luego mueve una carga de trabajo limitada. Define una condición de parada en términos operativos: un fallo crítico de esquema, un comportamiento no autorizado de las herramientas, una caída de los resultados aceptados o un coste y una latencia fuera del presupuesto. Al volver atrás, comprueba qué efectos secundarios ya se completaron antes de reintentar con 4.6.
La promoción no tiene por qué ser todo o nada. Un candidato podría ganarse las tareas de repositorio difíciles mientras 4.6 conserva el trabajo de extracción predecible. Como las tarifas son idénticas, un reparto no cuesta nada extra en precio unitario; cuesta monitorización y configuración.
La decisión práctica en EvoLink
Preguntas frecuentes
¿Es Grok 4.7 mejor que Grok 4.6?
Según las cifras de xAI, claramente: Terminal-Bench 4.0 casi se duplica y todos los benchmarks listados mejoran. En la ejecución independiente de Artificial Analysis la ganancia es menor, dos puntos del índice y 4,5 puntos en Terminal-Bench, con más del doble de tokens de salida por tarea. Si es mejor para ti es lo que mide la prueba en igualdad de condiciones.
¿Cuál es la diferencia de benchmark entre Grok 4.7 y 4.6?
xAI informa de Terminal-Bench 4.0 al 38,0 % frente al 20,3 %, CursorBench al 46,3 % frente al 40,4 % y GDPval con 1.695 frente a 1.605 Elo. Artificial Analysis mide el Intelligence Index en 46 frente a 44. Consulta la tabla de arriba para el conjunto completo con fuentes.
¿Cuesta Grok 4.7 más que Grok 4.6?
xhigh usó unos 81.000 tokens de salida en la prueba de Artificial Analysis frente a 36.000 de 4.6 con high, así que el mismo trabajo puede costar más.¿Debería actualizar de Grok 4.6 a 4.7?
Actualiza las cargas de trabajo en las que 4.6 tiene un fallo con nombre y 4.7 pasa la prueba en igualdad de condiciones con un coste por tarea aceptada asumible. Mantén 4.6 como objetivo de reversión. Un lanzamiento no es un aviso de retirada.
¿Puedo reutilizar el mismo prompt y el mismo ajuste de esfuerzo?
low, medium, high y xhigh. Después, ajusta cada uno por separado e informa de las pasadas por separado.¿Hay que volver a probar las llamadas a herramientas y las salidas estructuradas?
Sí. Vuelve a probar los esquemas, los argumentos, la recuperación y la validación de la salida, y revisa los costes de las herramientas: X Search ahora se factura por publicación y perfil de usuario recuperados.
¿Qué es Grok 4.7 Fast?
El mismo modelo en una infraestructura más rápida, con el doble de velocidad de salida y el doble de precio por token. xAI solo la ofrece en Cursor y Grok Build, no en la API pública; la ruta de EvoLink para Grok 4.7 sirve el modelo estándar.
¿Cuándo debería revertir?
Cuando falle un comportamiento crítico o se superen tus límites predefinidos de calidad, coste o latencia. Inspecciona los efectos secundarios ya completados antes de reintentar una tarea con el otro modelo.
