Grok 4.7 发布：与上一代同价同速，编程与长任务基准整体上移

x.ai 在 9 月 21 日发布 Grok 4.7，官方定位是「面向编程与知识工作最强的一代」，同时强调它以上一代同等的价格与速度提供服务——输入每百万 token 2 美元、输出 6 美元，与 Grok 4.6 完全一致。官方说明这次的底座模型更大，强化学习阶段跑得更长、任务组合更难，权重偏向需要数小时才能完成的问题；模型在自我校验、长上下文管理与「原生理解自家 Bot 交互框架」上做了专门训练。提升集中在需要长时间运行的智能体任务：CursorBench 4.0 从 40.4% 升到 46.3%，Terminal-Bench 4.0 从 20.3% 升到 38.0%，DeepSWE v1.1 在高推理档位为 71.0%，AA Briefcase v1.1 从 1546 升到 1657，Harvey 法律智能体基准从 15.8% 升到 19.6%，EEBench 从 53.0% 升到 64.0%。对照表里，GPT-5.6 Sol 的输入与输出定价是 4 美元与 20 美元，Fable 5.1 是 10 美元与 50 美元。

一次「不加价」的换代

9 月 21 日，x.ai 发布 Grok 4.7。最值得记的一句在定价上：输入每百万 token 2 美元、输出 6 美元，与 Grok 4.6 完全相同，速度也保持一致。官方对外的说法是「同等模型里两倍的速度、一半的价格」，但可核验的部分是那张价格与基准同表：同一张表里 Grok 4.6 是 2 美元与 6 美元，GPT-5.6 Sol 是 4 美元与 20 美元，Fable 5.1 是 10 美元与 50 美元。

官方怎么描述这次训练

按官方说明，Grok 4.7 换了更大的底座模型，强化学习阶段比上一代跑得更久、任务组合更难，权重偏向需要多个小时才能解决的问题；模型在自我校验与长上下文管理上做了强化，并且专门训练过对自家 Bot 交互框架的原生理解，官方称这让它在对话类任务和通用知识工作上表现更好。

提升落在哪些基准上

软件工程：CursorBench 4.0 从 40.4% 到 46.3%，DeepSWE v1.1 在高推理档位 71.0%（上一代 65.2%）；
终端长任务：Terminal-Bench 4.0 从 20.3% 到 38.0%，是这张表里跨度最大的一项；
办公产出：AA Briefcase v1.1 从 1546 升到 1657 Elo，官方称文档与演示稿的生成质量有改善；
专业领域：Harvey 法律智能体基准 15.8% 到 19.6%，HealthBench Professional 48.5% 到 56.7%，EEBench 53.0% 到 64.0%。

需要提醒的是，DeepSWE 的 71.0% 标注为高推理档位，与默认档位不可直接比较；Terminal-Bench 4.0 的 38.0% 仍低于同表里 Fable 5.1 的 57.9%。官方的说法是 4.7 在「价格—性能」这条线上处于前沿，而不是在所有单项上都领先。

对使用方意味着什么

同价换代降低了试错门槛，但也把判断责任推回给了使用方：基准是厂商自己选的，真正决定换不换的是你线上那批任务的端到端表现。把评测预算花在长时任务上，比花在通用问答上回报高得多。