Grok 4.7 vs 4.6：何が変わったか、ベンチマーク、アップグレードすべきか
grok-4.6とgrok-4.7として稼働しています。このガイドでは、何が変わったか、xAIとArtificial Analysisのベンチマーク数値の並列比較、単価が同じ請求額にトークン差がどう影響するか、そしてトラフィックを移す前に自分のワークロードでアップグレードをテストする方法を説明します。
Grok 4.7で何が変わったか
xAIは3つの変更を説明しています。第一に、より大きなベースモデルです。Grok 4.7は4.6より大きなベースから訓練されています。第二に、より難しいタスク構成での、より長い強化学習です。完了までに何時間もかかる問題に重点を置いています。第三に、xAIが強調する挙動面の結果です。モデルは「自分の作業の検証と、より長いコンテキストの管理が上手になった」とされています。
変わっていない点は、500,000トークンのコンテキスト、テキストと画像の入力、function callingと構造化出力、4段階の推論強度、レート制限、そして価格です。
Grok 4.7 vs 4.6のベンチマーク：xAI公表値と第三者測定
xhigh、Grok 4.6をhighで実行しています。| ベンチマーク | Grok 4.6（xAI） | Grok 4.7（xAI） | Grok 4.6（AA） | Grok 4.7（AA） |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 20.3% | 38.0% | — | 4.6比+4.5pt |
| 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法務エージェント | 15.8% | 19.6% | — | — |
| HealthBench Professional | 48.5% | 56.7% | — | — |
| インデックスのタスク1件あたりの出力トークン | — | — | 約36k | 約81k |
xhighのGrok 4.7はタスク1件あたり約81,000出力トークンを書き、highのGrok 4.6は36,000トークンでした。仕様の比較
| 観点 | Grok 4.6 | Grok 4.7 |
|---|---|---|
| APIモデルID | grok-4.6 | grok-4.7 |
| リリース | 2026年8月12日 | 2026年9月21日 |
| コンテキストウィンドウ | 500,000トークン | 500,000トークン |
| モダリティ | テキストと画像の入力、テキスト出力 | テキストと画像の入力、テキスト出力 |
| 推論強度 | low、medium、high（デフォルト）、xhigh | low、medium、high（デフォルト）、xhigh |
| function callingと構造化出力 | 対応 | 対応 |
| 100万トークンあたりの標準単価（xAI直接） | 入力$2、キャッシュ入力$0.50、出力$6 | 入力$2、キャッシュ入力$0.50、出力$6 |
| 長文コンテキストの料金階層 | プロンプト200,000トークン以上：すべてのトークンを2倍で課金 | 同じルール、同じしきい値 |
| Fastバリアント | — | Grok 4.7 Fast：速度2倍、価格2倍（$4 / $1 / $12）。CursorとGrok Build限定で、公開APIにはなし |
| 公表されているレート制限 | 150リクエスト/秒、5,000万トークン/分 | 150リクエスト/秒、5,000万トークン/分 |
| EvoLinkのルート | 稼働中 | 2026年9月22日から稼働中（標準モデル） |
トークン単価は同じでも、請求額は同じではない
xAIの直接料金では、両モデルとも100万トークンあたり入力$2、出力$6で課金されます。単価は確定しています。変わったのは、新しいモデルがタスクを終えるために使う単位の数です。
xhighのGrok 4.7はタスク1件あたり81,000出力トークン、highの4.6は36,000トークンです。出力100万トークンあたり$6なら、入力、キャッシュ、ツールの課金を除いたタスクあたりの出力コストは、およそ$0.49対$0.22になります。より高い推論強度の設定がこの差の一部を占めており、だからこそ最初にやるべきは、自分のタスクで両モデルを同じ推論強度で実行することです。合格タスクあたりのコスト = すべての試行の請求コスト合計 / 合格タスク数分子には、失敗と再試行も含めます。合格したタスクが1件もなければ、その結果を報告し、コストをゼロと表示しないでください。人によるレビューのコストはAPIの課金と分けておきます。
例示計算であり、モデルテストではありません。モデルAは100タスクに$24を使い、80件が合格します。合格1件あたり$0.30です。モデルBは同じ単価で、より長く推論するため同じ100タスクに$54を使い、92件が合格します。合格1件あたり約$0.59です。Bは合格タスクあたりのコストがほぼ2倍ですが、再試行するか人に引き渡す失敗が12件少なくなります。どちらが得かは、失敗1件があなたにとってどれだけのコストになるかで決まります。トークン単価ではその問いに答えられませんが、同条件のテストなら答えられます。
次の3つの課金ルールは両モデルに等しく適用され、実際のトレースで確認してください。
- 200,000トークンのしきい値。 プロンプトが200,000トークンに達すると、xAIはそのリクエストのすべてのトークンを長文コンテキストの料金で課金します。セッションの途中でしきい値を超えて伸びた会話は、その時点からコストが2倍になります。
- キャッシュ入力。 安定したシステムプロンプトとツールスキーマは、キャッシュ料金で提供されることがあります。使用量のキャッシュトークンのフィールドを確認し、自分のリクエストパターンでキャッシュがヒットしているかを確かめてください。
- ツール課金。 2026年9月21日以降、xAIはX Searchを呼び出し回数ではなく、取得した投稿（1,000件あたり$5）と取得したユーザープロフィール（1,000件あたり$10）で課金します。これはGrok 4.5、4.6、4.7のいずれにも同様に適用されます。他のサーバーツールは引き続き呼び出しごとの課金です。
公平なアップグレードテストの進め方
4.6が実際に抱えている課題から始めてください。4.6が合格基準と納期を満たしているなら、とどまることによるコストのペナルティはありません。テストは、名前を挙げられる失敗があるワークロードのために取っておきます。修正する代わりに修正方法を説明するだけのコードアシスタント、フィールドが欠けた有効なJSONを返す抽出ジョブ、完了はするがツール呼び出しの繰り返しでレイテンシーの予算を超えるエージェント、といったものです。
| 現在の状況 | やること | ワークロードを移す根拠になるもの |
|---|---|---|
| 結果が正しく、コストとレイテンシーも許容範囲 | 小さな回帰セットを保存し、急がずに4.7をテストする | 必要な挙動を失わずに得られる明確なメリット |
| リポジトリのタスクが未完了で終わる | 代表的な失敗例と独立したテストを集める | 同じ予算の中で、合格する修正が増えること |
| ツールのループや高くつく再試行 | トレースと、管理されたエラーケースを保存する | 復旧の改善と、合格タスクあたりのコスト低下 |
| 長いコンテキストのタスクで、前のほうの制約が失われる | 200K付近を含め、実際のコンテキストサイズでケースを作る | 同等以下のトークン使用量で制約が保持されること |
| 動かせない納期がある | 検証済みの4.6の設定を維持する | 納期までに検証が完了していること |
highで実行し、それぞれが消費した推論トークンと出力トークンを記録します。2回目の一巡では各モデルを別々に調整してもかまいませんが、2つの一巡は分けて報告してください。リポジトリのタスクでは、合格とする実行は、動作するパッチを生成し、関連するテストに通り、許可された範囲に収まっていなければなりません。パッチのない、もっともらしい説明は不合格です。エージェントがテストを実行したと述べた場合は、レビュー担当者がその主張を確かめられるよう、ツールの出力を残しておきます。これが、「自分の作業を検証する」という主張を観察可能にする方法です。
応答ではなく、完了した仕事を採点してください。
| 指標 | 測り方 | 防げる間違い |
|---|---|---|
| 合格タスク率 | 固定した評価基準を満たしたタスク数を、試行したタスク数で割る | もっともらしい回答を完了した仕事として数えること |
| スコープの遵守 | 許可された編集、アクション、制約を確認する | 効果はあっても受け入れられない回避策を評価してしまうこと |
| 完了時間 | タスク開始から合格した成果物まで、再試行を含めて測る | 最初のトークンまでの速さをエンドツーエンドのレイテンシーとして報告すること |
| タスクあたりの推論トークンと出力トークン | 各試行の使用量フィールドを、推論強度の設定ごとに確認する | 単価が同じなら支出も同じだと思い込むこと |
| 合格あたりの請求コスト | すべての試行の課金を、合格タスク数で割る | 失敗したリクエストや再試行の費用を隠すこと |
| レビュー負荷 | 修正とレビュー時間を別に記録する | モデルの作業が、見えないまま人間に移ること |
パーセンテージの横に元の件数も残し、難しいケースを再実行してばらつきを把握してください。コーディングのベンチマークでタスク構成を置き換えないでください。翻訳、抽出、スクリーンショットのケースも回帰セットに残します。
互換性の確認と展開
同じ提供元、同じプロトコル、同じ推論強度の値。紙の上では1行の変更です。実際には、バージョン変更の影響は、出力の形式、ツールの挙動、エッジケースに現れます。
| 対象 | 維持するもの | 再テストするもの |
|---|---|---|
| モデルID | 明示的な設定とロールバック用の値 | grok-4.7を送信し、レスポンスのモデルIDを確認する |
| 構造化出力 | 自社のスキーマとバリデーター | フィールドの欠落、不正な値、途中で切れた出力 |
| ツール | ツールの定義と権限の境界 | 引数、呼び出しの重複、エラーからの復旧 |
| ストリーミング | 部分的な出力に対する処理 | イベントの形式、中断されたレスポンス、終了状態 |
| 会話の状態 | 元のメッセージとテストデータ | コンテキスト上限、圧縮、制約が保持されているか |
| 使用量と課金 | タスクとその試行をひも付けるログ | モデルごとのキャッシュ、推論、出力、ツールの計上 |
モデル、プロンプト、ツールのアダプター、再試行ポリシーを同時に変えないでください。まずオフラインでのリプレイから始め、次にユーザーに見える結果は4.6が引き続き担う形で読み取り専用の業務をシャドウ実行し、その後で限定したワークロードを移します。停止条件は運用上の言葉で定義します。致命的なスキーマの失敗、権限外のツール動作、合格結果の低下、予算を超えるコストやレイテンシーです。切り戻すときは、4.6で再試行する前に、どの副作用がすでに完了しているかを確認してください。
昇格は、全部かゼロかである必要はありません。候補が難しいリポジトリのタスクを任され、4.6が結果を見通しやすい抽出業務を担い続ける、という形もありえます。単価が同一なので、分割しても単価の面では追加コストはかかりません。かかるのは監視と設定の手間です。
EvoLinkでの実務的な判断
よくある質問
Grok 4.7はGrok 4.6より優れていますか？
xAIの数値では明らかに優れています。Terminal-Bench 4.0はほぼ2倍になり、掲載されたすべてのベンチマークが改善しています。Artificial Analysisの独立した実行では伸びは小さく、インデックスで2ポイント、Terminal-Benchで4.5ポイントで、タスクあたりの出力トークンは2倍超です。あなたにとって優れているかどうかは、同条件のテストで測るものです。
Grok 4.7と4.6のベンチマークの差はどのくらいですか？
xAIの公表値では、Terminal-Bench 4.0が38.0%対20.3%、CursorBenchが46.3%対40.4%、GDPvalが1,695対1,605 Eloです。Artificial AnalysisはIntelligence Indexを46対44と測定しています。出典付きの全項目は上の表をご覧ください。
Grok 4.7はGrok 4.6より高いですか？
xhighのGrok 4.7が約81,000出力トークンを使ったのに対し、highの4.6は36,000トークンだったため、同じ仕事のコストは高くなりえます。Grok 4.6から4.7にアップグレードすべきですか？
4.6に名前を挙げられる失敗があり、4.7が許容できる合格タスクあたりのコストで同条件のテストに合格したワークロードをアップグレードしてください。4.6はロールバック先として維持します。リリースは廃止の通知ではありません。
同じプロンプトと推論強度の設定を使い回せますか？
low、medium、high、xhighを受け付けます。その後で別々に調整し、2つの一巡は分けて報告してください。ツール呼び出しと構造化出力は、あらためてテストが必要ですか？
はい。スキーマ、引数、復旧、出力の検証を再テストし、ツールのコストも再確認してください。X Searchは今、取得した投稿とユーザープロフィールごとに課金されます。
Grok 4.7 Fastとは何ですか？
同じモデルをより高速なインフラで提供し、出力速度が2倍、トークン単価も2倍です。xAIはCursorとGrok Buildでのみ提供しており、公開APIにはありません。EvoLinkのGrok 4.7ルートが提供するのは標準モデルです。
いつロールバックすべきですか？
致命的な挙動が失敗したとき、あるいは事前に定めた品質、コスト、レイテンシーの限度を超えたときです。別のモデルでタスクを再試行する前に、完了済みの副作用を確認してください。
