Grok 4.7 vs Claude Opus 5：评测对比、每任务成本、编程场景怎么选
Claude Opus 5 在独立基准测试上得分更高；Grok 4.7 的 token 目录价不到前者的一半，跑完同一套测试集的成本低了大约三分之一。 在 Artificial Analysis Intelligence Index 上，Opus 5 得 51 分，Grok 4.7 得 46 分，差距最大的是 Terminal-Bench 4.0。跑完该指数，Opus 5 花了 $7,275，Grok 4.7 花了 $4,967。两个模型都已在 EvoLink 上线。
这就是这个决策的形状：一个实测的质量差距对一个实测的成本差距，答案取决于工作负载。本文给出数字、规格、每任务成本的计算方法，以及逐类工作负载的解读。本文不报告 EvoLink 的基准测试。
为什么拿这两个模型比
规格与单价
| 决策输入 | Claude Opus 5 | Grok 4.7 |
|---|---|---|
| 厂商模型 ID | claude-opus-5 | grok-4.7 |
| 发布日期 | 2026 年 7 月 24 日 | 2026 年 9 月 21 日 |
| 上下文窗口 | 1,000,000 token | 500,000 token |
| 最大输出 | 128,000 token | xAI 未公布；EvoLink 在产品页展示其路由上限 |
| 模态 | 文本和图片输入，文本输出 | 文本和图片输入，文本输出 |
| 推理控制 | 自适应思考，默认开启；effort 默认为 high | reasoning_effort：low、medium、high（默认）、xhigh |
| 厂商每百万 token 目录价 | 输入 $5、输出 $25；缓存读取 $0.50；5 分钟缓存写入 $6.25 | 输入 $2、输出 $6；缓存输入 $0.50 |
| 长上下文规则 | 模型总览页未说明；请查看 Anthropic 价格页 | 提示词 ≥ 200,000 token：该请求内所有 token 按 2 倍计费（$4 / $1 / $12） |
| 更快的版本 | Fast 模式（研究预览，单独定价） | Grok 4.7 Fast：2 倍速度、2 倍价格；仅限 Cursor 和 Grok Build，公开 API 和 EvoLink 路由上都没有 |
| 服务端工具 | Anthropic 工具调用和托管工具 | xAI Web 搜索、X 搜索、代码执行、附件搜索和集合搜索，单独计量 |
| EvoLink 路由 | 已上线 | 自 2026 年 9 月 22 日起上线 |
有两行决定了下面的一切。Opus 5 的上下文是两倍大，这决定了任何单次需要超过 500,000 token 的请求。而 Grok 4.7 的长上下文规则会在提示词达到 200,000 token 时把整个请求的单价翻倍，这会缩小长上下文工作的价格差距：在这一档，Grok 的输入 $4、输出 $12，对上 Opus 的 $5 和 $25。
评测对比：第三方测试显示了什么
xhigh 运行 Grok 4.7，以自适应推理、最高强度运行 Claude Opus 5。截至 2026 年 9 月 22 日的结果：| 指标 | Claude Opus 5 | Grok 4.7（xhigh） |
|---|---|---|
| Intelligence Index v4.3.2 | 51 | 46 |
| Terminal-Bench 4.0 | 49% | 26% |
| Humanity's Last Exam | 55% | 43% |
| AutomationBench-AA | 57% | 66% |
| 跑完指数的输出 token | 140M | 240M |
| 跑完指数的成本 | $7,275 | $4,967 |
| 输出速度 | 56 token/秒 | 39 token/秒 |
| 首 token 时间 | 49.25 秒 | 0.85 秒 |
四个解读。Opus 5 在指数和两项最难的指标上领先，其中 Terminal-Bench 是最接近自主 Agent 工作的代理指标，差距也最大。Grok 4.7 在 AutomationBench 这个职场自动化任务集上赢了 9 分。Grok 4.7 为完成同一套测试集多写了 70% 的输出 token，但整套测试集的成本仍低了三分之一，因为它的输出单价大约只有 Opus 的四分之一。延迟特征则正好相反：Opus 5 在最高强度下大约要等 49 秒才出第一个 token，Grok 4.7 不到一秒，这对交互式使用很重要。
先比完成任务的成本，再比 token 单价
按目录价，Grok 4.7 的输入比 Opus 5 便宜 2.5 倍，输出便宜约 4.2 倍。Artificial Analysis 的测试集显示了其中有多少能在真实工作负载里保留下来：Opus 5 需要 1.4 亿个输出 token，Grok 4.7 需要 2.4 亿个，所以整套测试集实际省下的大约是 32%，而不是 76%。这就是应当预期的模式。单价更低的模型可能花更多 token，有时还要更多次尝试，才能达到同样的被验收结果。
每个被验收任务的 API 成本 = 评测期间的全部计费费用 / 被验收的任务数使用你所用渠道的实际计费用量。让输入、输出、缓存和工具各项保持可见。如果没有任何被验收的结果，就如实报告评测失败，而不是一个零。
下面是一个示意性的计算，不是对 Grok 或 Claude 的测量。假设 Opus 在一批任务上花了 $40，验收了 80 个结果：每个 $0.50。假设 Grok 以更低的单价、但更高的 token 用量，花了 $27，验收了 72 个：每个 $0.375。按每个被验收任务算 Grok 更便宜，但多留下了 8 个失败。如果一次失败要花 $2 的人工重试，Opus 就变成 $40 + $40，Grok 变成 $27 + $56，按每个交付任务算，次序反过来了：Opus $0.80，Grok $0.83。一次失败的代价决定了答案。
再把切换的工作量加进来。如果 Grok 每个被验收任务能省 $0.125，而改造工作流要花 $500，盈亏平衡点就是 4,000 个被验收任务。对高用量的产品，这只是几天的事；对低用量的内部工具，可能永远到不了。
缓存行为值得在两边都测一下。Opus 5 的 5 分钟缓存按每百万 $6.25 收缓存写入费，之后按 $0.50 读取；xAI 公布的价格表里缓存输入按 $0.50 计，没有单独的写入费。两边实际生效的输入单价取决于你的命中率。
哪类工作负载选哪个模型
| 工作负载 | 从证据得出的解读 | 要在你自己的任务上核实什么 |
|---|---|---|
| 长时间运行的编程 Agent | Opus 5 在 Terminal-Bench 上领先 23 分；这是选 Opus 最有力的理由 | 在各自默认推理强度下的补丁验收率和每个被验收任务的成本 |
| 边界清晰、用量大的任务（抽取、分类、起草） | token 用量可预期的地方，Grok 4.7 的单价优势最大 | 在 medium 或 high 推理强度下的 Schema 合法性和每任务成本 |
| 有延迟预算的交互式工具 | 在 AA 的测试里，Grok 4.7 不到一秒返回首 token；Opus 5 在最高强度下大约要 49 秒 | 在你的产品所需推理强度下的端到端完成时间 |
| 职场自动化流程 | Grok 4.7 在 AutomationBench-AA 上领先 9 分 | 该基准测试的任务形态是否与你的一致 |
| 单次请求超过 500,000 token | 只有 Opus 5 能接这个请求 | 一套能通过同样验收测试的分块策略 |
| 200,000 到 500,000 token 之间的请求 | Grok 的长上下文档位会把它的价格优势砍掉一半 | 比较 Grok 的分档价，而不是标题价 |
这些是对第三方结果的解读，不是保证。两个模型的文档都记录了文本和图片输入、函数调用和结构化输出，所以每一类都能在两边测。
做一次公平的评测
effort 调节的自适应思考，Grok 4.7 使用四个命名的 reasoning_effort 档位。第一轮用各自的默认值跑，记录消耗的推理和输出 token。第二轮可以在固定的工程预算内分别调优；未调优和调优后的结果分开报告。给任务的结果打分，而不是给工具调用次数打分。对编程 Agent，把规划和实现分开：一个模型可能讲出一份很强的计划，补丁却没做完。两边的输出使用同一个评判者，用人工或可执行的校验器做抽查，主观评审时隐藏模型标签。
网关简化了什么，你仍然要适配什么
EvoLink 通过同一个账号、同一把密钥和 OpenAI 兼容的端点开放这两个模型，模型 ID 因此变成一个配置值。但它不会让模型特有的功能变得可移植。
| 集成环节 | 要盘点的工作 | 适配器已就绪的证据 |
|---|---|---|
| 消息与系统指令 | 角色、内容块和需要保留的约束 | 有代表性的对话保持了预期行为 |
| 推理控制 | 按工作负载把 effort 和自适应思考映射到 reasoning_effort；不要假设等价 | 两边每档设置的推理 token 用量都有记录 |
| 工具 | 定义、授权和结果格式；Grok 服务端工具与应用侧工具的区别 | 参数合法、动作安全、错误可恢复 |
| 结构化结果 | 必填字段和下游校验器 | 被验收的输出通过同样的应用检查 |
| 流式输出 | 部分事件、中断和完成的处理 | 前端界面和后端能处理每一种终止结果 |
| 成本报表 | 用量字段、缓存字段，以及任务与各次尝试的关系 | 总数与各路由的实际账单对得上 |
| 上下文预算 | 在 Grok 上接近 200K 的请求，或任何超过 500K 的请求 | 一条在验收集上测试过的压缩或分块规则 |
什么时候同时保留两个模型才是对的
证据更支持拆分，而不是整体切换：把边界清晰、用量大的工作路由到通过测试的 Grok 4.7，把 Opus 5 留给长时间运行的 Agent 任务和需要超过 500,000 token 的请求。分配流量之前，先定义输入类别、验收规则和升级处理条件。
做回退时，要让应用自己对状态负责。如果某个工具已经写入了文件或执行了外部动作，第二个模型需要拿到更新后的状态和一条明确的续作规则。这是为你的应用设计的上线方案，不是承诺 EvoLink 会自动分类工作负载或在模型之间迁移状态。
在 EvoLink 上务实地做第一次评测
grok-4.7，把被验收的结果和计费用量并排比较。Claude Opus 5 页面和 Grok 4.7 页面展示了各路由的当前价格和配置。常见问题
Grok 4.7 和 Claude Opus 5 一样好吗？
在独立基准测试上不是。Artificial Analysis 的 Intelligence Index 给 Opus 5 打 51 分、Grok 4.7 打 46 分，Opus 5 在 Terminal-Bench 4.0（49% 对 26%）和 Humanity's Last Exam 上领先。Grok 4.7 在 AutomationBench-AA 上领先（66% 对 57%）。
编程场景选 Grok 4.7 还是 Opus 5？
对长时间运行的 Agent 编程，Terminal-Bench 的差距偏向 Opus 5。对输出可预期、边界清晰的编程任务，Grok 4.7 更低的单价可以在每个被验收任务的成本上赢。请在各自默认推理强度下测你自己的仓库任务。
Grok 4.7 比 Opus 5 便宜多少？
按目录价，输入便宜 2.5 倍，输出便宜约 4.2 倍。在 Artificial Analysis 的完整测试集上，实际省下的大约是 32%，因为 Grok 4.7 多用了 70% 的输出 token。两者在 EvoLink 上的当前价格见各自产品页。
哪个的上下文窗口更大？
Opus 5，1,000,000 token 对 500,000。Opus 5 还记录了 128,000 token 的最大输出。
哪个更快？
在 Artificial Analysis 的测试里，Grok 4.7 在 0.85 秒内返回首 token，Opus 5 在最高强度下需要 49 秒；但一旦开始输出，Opus 5 的流式速度更快（56 对 39 token/秒）。
推理控制参数可以互换吗？
effort 调节的自适应思考；Grok 4.7 使用四个命名的 reasoning_effort 档位。先用各自的默认值跑第一轮，记录实际的推理 token 用量。现在能通过 EvoLink 同时评测两个模型吗？
claude-opus-5 和 grok-4.7。什么时候值得同时保留两个模型？
当每个模型都有可衡量的角色时：Grok 4.7 负责通过测试的边界清晰、用量大的工作，Opus 5 负责长时间运行的 Agent 和超过 500,000 token 的请求。
