Grok 4.7 vs 4.6：变了什么、评测数据、要不要升级
grok-4.6 和 grok-4.7。本文覆盖四件事：变了什么、xAI 和 Artificial Analysis 的基准测试数字并排对照、在单价相同的前提下 token 差异会对账单造成什么影响，以及迁移流量之前如何在你自己的工作负载上测试这次升级。
Grok 4.7 变了什么
xAI 描述了三处变化。第一，更大的基础模型：Grok 4.7 从比 4.6 更大的基座训练而来。第二，在更难的任务组合上做了更长的强化学习训练，侧重那些需要许多小时才能完成的问题。第三，xAI 强调的行为结果：模型“更善于核实自己的工作和处理更长的上下文”。
没变的部分：500,000 token 上下文、文本和图片输入、函数调用和结构化输出、四档推理强度、速率限制，以及价格。
Grok 4.7 vs 4.6 评测数据：xAI 自报与第三方实测
xhigh 运行 Grok 4.7，以 high 运行 Grok 4.6。| 基准测试 | Grok 4.6（xAI） | Grok 4.7（xAI） | Grok 4.6（AA） | Grok 4.7（AA） |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 20.3% | 38.0% | — | 比 4.6 高 4.5 分 |
| 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 法律 Agent | 15.8% | 19.6% | — | — |
| HealthBench Professional | 48.5% | 56.7% | — | — |
| 每个指数任务的输出 token | — | — | ≈36k | ≈81k |
xhigh 下，Grok 4.7 每个任务大约写出 81,000 个输出 token，而 Grok 4.6 在 high 下写出 36,000 个。规格并排对照
| 维度 | Grok 4.6 | Grok 4.7 |
|---|---|---|
| API 模型 ID | grok-4.6 | grok-4.7 |
| 发布日期 | 2026 年 8 月 12 日 | 2026 年 9 月 21 日 |
| 上下文窗口 | 500,000 token | 500,000 token |
| 模态 | 文本和图片输入；文本输出 | 文本和图片输入；文本输出 |
| 推理强度 | low、medium、high（默认）、xhigh | low、medium、high（默认）、xhigh |
| 函数调用与结构化输出 | 支持 | 支持 |
| 每百万 token 标准价（xAI 直连） | 输入 $2、缓存输入 $0.50、输出 $6 | 输入 $2、缓存输入 $0.50、输出 $6 |
| 长上下文档位 | 提示词 ≥ 200,000 token：所有 token 按 2 倍计费 | 同样的规则，同样的阈值 |
| Fast 版本 | — | Grok 4.7 Fast：2 倍速度、2 倍价格（$4 / $1 / $12）；仅限 Cursor 和 Grok Build，公开 API 上没有 |
| 公布的速率限制 | 150 请求/秒，50M token/分钟 | 150 请求/秒，50M token/分钟 |
| EvoLink 路由 | 已上线 | 自 2026 年 9 月 22 日起上线（标准版） |
token 单价相同，账单不一定相同
按 xAI 直连价，两个模型都是每百万输入 token $2、每百万输出 token $6。单价是定死的。变了的是新模型为了完成一个任务要消耗多少个单位。
xhigh 下每个任务 81,000 个输出 token，对 4.6 在 high 下的 36,000 个。按每百万输出 token $6 计算，在计入任何输入、缓存或工具费用之前，每个任务的输出成本大约是 $0.49 对 $0.22。更高的推理强度设置是这个差异的一部分，所以第一件事是在你自己的任务上用相同的推理强度跑两个模型。每个被验收任务的成本 = 所有尝试的总计费成本 / 被验收的任务数分子里要算上失败和重试。如果没有任何任务被验收，要明确报告这个结果，不要显示成本为零。人工复核成本与 API 费用分开记。
一个示意性的例子，不是模型测试：模型 A 在 100 个任务上花了 $24，验收了 80 个，每次验收 $0.30。模型 B 在同样的单价下，因为推理更久，同样 100 个任务花了 $54，验收了 92 个，每次验收约 $0.59。B 每个被验收任务的成本几乎是两倍，但留下的失败少了 12 个，不用再重试或转给人工。这笔账划不划算，取决于一次失败对你意味着多少成本。token 单价回答不了这个问题；成对测试可以。
有三条计费规则对两个模型同样适用，应该用真实轨迹核对：
- 200,000 token 的分界线。 提示词达到 200,000 token 时，xAI 会把该请求里的每一个 token 都按长上下文价计费。一段在会话中途越过阈值的对话，从那一刻起成本翻倍。
- 缓存输入。 稳定的系统提示词和工具 Schema 可以按缓存价计费。检查用量里的缓存 token 字段，确认在你的请求模式下缓存真的命中了。
- 工具费用。 自 2026 年 9 月 21 日起，xAI 的 X Search 按抓取到的帖子（每 1,000 条 $5）和用户资料（每 1,000 个 $10）计费，不再按调用次数计费，Grok 4.5、4.6 和 4.7 一视同仁。其他服务端工具仍按调用次数计费。
怎样做一次公平的升级测试
从 4.6 实际存在的问题出发。如果 4.6 已经满足你的验收规则和交付期限，留下没有成本惩罚。把测试留给那些有明确失败的工作负载：一个只解释修复方案却不真正动手的代码助手、一个返回合法 JSON 但缺字段的抽取任务、一个能完成任务却因重复调用工具而超出延迟预算的 Agent。
| 你当前的情况 | 该怎么做 | 什么情况下才值得迁移 |
|---|---|---|
| 结果正确，成本和延迟可接受 | 保存一小份回归集；不着急地测一下 4.7 | 有明确收益，且不丢失必需的行为 |
| 仓库任务经常做不完 | 收集有代表性的失败案例和独立测试 | 在同样的预算内，被验收的修复更多 |
| 工具调用死循环或重试昂贵 | 保留调用轨迹和可控的错误场景 | 恢复能力更好，每个被验收任务的成本更低 |
| 长上下文任务丢失前面的约束 | 按你真实的上下文大小构造用例，包括接近 200K 的 | 在相同或更低的 token 用量下保住约束 |
| 交付期限很硬 | 保留已验证的 4.6 配置 | 验证在期限之前完成 |
high 开始，记录每个模型消耗的推理和输出 token。第二轮可以分别调优；两轮分开报告。对仓库任务来说，一次被验收的运行必须产出可用的补丁、通过相关测试，并且不超出允许的范围。解释得头头是道但没有补丁，算失败。如果 Agent 说它跑过测试，把工具输出留下来，让复核的人能核实这个说法。这就是把“核实自己的工作”这条声明变成可观察的东西。
给完成的工作打分，而不是给回答打分：
| 指标 | 怎么测 | 它能防止什么错误 |
|---|---|---|
| 任务验收率 | 满足冻结评分标准的任务数除以尝试的任务数 | 把“看起来合理”的回答算成完成的工作 |
| 范围合规 | 检查允许的修改、动作和约束 | 奖励一个有效但不可接受的变通做法 |
| 完成耗时 | 从任务开始计到产物被验收，含重试 | 把首 token 速度当成端到端延迟来报告 |
| 每个任务的推理和输出 token | 每次尝试的用量字段，按推理强度设置分开记 | 以为单价相同就等于花费相同 |
| 每次验收的计费成本 | 所有尝试的费用除以被验收的任务数 | 把失败请求和重试的花费藏起来 |
| 复核负担 | 单独记录修正内容和复核人耗时 | 悄悄把工作从模型转移给人 |
百分比旁边要保留原始计数，对高难度案例重复运行以暴露波动。不要让编程基准测试替代你的任务构成：把翻译、抽取和截图用例保留在回归集里。
兼容性检查与灰度上线
同一个厂商、同一套协议、同样的推理强度取值：纸面上这只是改一行的事。实际上，版本变化会浮现在输出形态、工具行为和边缘情况上。
| 环节 | 要保留什么 | 要重新测什么 |
|---|---|---|
| 模型 ID | 明确的配置和回滚值 | 发送 grok-4.7；确认响应里返回的模型 ID |
| 结构化输出 | 你的 Schema 和校验器 | 缺失字段、非法值和截断 |
| 工具 | 工具的接口定义和授权边界 | 参数、重复调用和错误恢复 |
| 流式输出 | 应用对部分输出的处理 | 事件形态、中断的响应和终止状态 |
| 会话状态 | 原始消息和测试数据 | 上下文上限、压缩和被保留的约束 |
| 用量与计费 | 把任务与其各次尝试关联起来的日志 | 按模型分别核算缓存、推理、输出和工具 |
不要同时更换模型、提示词、工具适配器和重试策略。从离线回放开始，然后对只读任务做影子流量，同时仍由 4.6 负责用户看到的结果，之后再迁移有限的工作负载。用可操作的语言定义停止条件：关键 Schema 失败、未授权的工具行为、被验收结果下降，或者成本和延迟超出预算。切回去的时候，先检查哪些副作用已经完成，再在 4.6 上重试。
升级不必全有或全无。候选模型可以拿下高难度的仓库任务，而 4.6 继续负责可预期的抽取工作。因为单价相同，拆分在单价上不多花一分钱；它只多花监控和配置的成本。
在 EvoLink 上的实际决定
常见问题
Grok 4.7 比 Grok 4.6 好吗？
按 xAI 的数字，明显更好：Terminal-Bench 4.0 接近翻倍，列出的每一项基准测试都有提升。按 Artificial Analysis 的独立实测，提升更小：指数高 2 分、Terminal-Bench 高 4.5 分，代价是每个任务两倍以上的输出 token。它对你来说是不是更好，要靠成对测试来测量。
Grok 4.7 和 4.6 的评测数据差多少？
xAI 报告 Terminal-Bench 4.0 为 38.0% 对 20.3%，CursorBench 为 46.3% 对 40.4%，GDPval 为 1,695 对 1,605 Elo。Artificial Analysis 测得 Intelligence Index 为 46 对 44。完整数据和来源见上表。
Grok 4.7 比 Grok 4.6 贵吗？
xhigh 下每个任务用了约 81,000 个输出 token，4.6 在 high 下为 36,000 个，所以同样的工作可能花得更多。要不要从 Grok 4.6 升级到 4.7？
只升级那些 4.6 有明确失败、而 4.7 以可接受的每个被验收任务成本通过成对测试的工作负载。保留 4.6 作为回滚目标。发布新版本不是下线通知。
可以沿用同一套提示词和推理强度设置吗？
low、medium、high 和 xhigh。之后再分别调优，两轮分开报告。工具调用和结构化输出需要重新测吗？
需要。重新测试 Schema、参数、错误恢复和输出校验，并重新核对工具成本：X Search 现在按抓取到的帖子和用户资料计费。
Grok 4.7 Fast 是什么？
同一个模型跑在更快的基础设施上，输出速度两倍、token 单价两倍。xAI 只在 Cursor 和 Grok Build 里提供它，公开 API 上没有；EvoLink 的 Grok 4.7 路由提供的是标准版。
什么时候应该回滚？
当关键行为失败，或者超出你预先定好的质量、成本或延迟上限时就回滚。在另一个模型上重试任务之前，先检查已经完成的副作用。
