Grok 4.7 对比：编程、知识工作与每项任务成本

Grok 4.7 已经发布，我想将它与马斯克此前预测的“大致与 Opus 5 相当”作比较。发布信息称，它在与 Grok 4.6 相同的价格和速度下改进了编程和知识工作。我还没有充分测试，因此这次评价很大程度上基于公布的基准。

CursorBench 图表将得分与每项任务平均成本作比较。xAI 拥有 Cursor，解读这项比较时需要记住这一关系。图中 Grok 4.7 从低推理强度的大约 33% 提升到超高强度的 46.3%；展示的最高设置接近但低于 Opus 5。

图表还比较每项任务输出的 token 数量和步骤数。成本同时取决于 token 用量和单价，因此用更多 token 的模型如果单价更低，仍可能更便宜。在展示的编程比较中，Fable 5.1 得分更高，但价格也高得多。

展示的 DeepSWE 1.1 表格中，Grok 4.7 得分 71%，GPT-5.6 Sol 为 72.7%，Fable 5.1 为 70%。我注意到这张公司表格没有列出 GPT-6 Astra，尽管它出现在发布材料的其他地方。图表选择展示哪些模型，会影响读者的印象。

我让 Astra 重新制作表格并加入自己的成绩。生成的比较显示 Astra Max 在 DeepSWE 上为 74.1%，高于 Grok 的 71%。这是我为比较而制作的图表，解读数据时需要了解各自的评测条件和设置。

在 Terminal-Bench 4.0 中，表格显示 Grok 为 38%，低于 Fable 5.1 的 57.9% 和 Astra 的 58.2%。在展示的 Harvey 法律智能体基准中，Grok 得分 19.6%，高于表中其他模型。Berman 还引用了一个更高的 Muse Spark 独立结果。

视频引用 Grok 4.7 的价格为每百万输入 token 2 美元、每百万输出 token 6 美元。Berman 认为，它在一些方面接近前沿水平，价格却明显低于部分竞争模型。不同用户可能合理地选择最好的答案或更低的成本。

Berman 将此与企业采用开放权重模型联系起来，引用了一张使用量与供应商收入呈现不同趋势的图表。他认为，一些工作负载需要高效自动化，而不一定要求最高分；另一些用户则愿意为更好的结果支付更多。

xAI 的发布材料在其他评测中也展示了 Astra。在公布的 GDPval 比较中，Grok 4.7 得分 1695 Elo，位于 Fable 5.1 的 1735 和 Astra 的 1542 之间。展示的 AA Briefcase 中，Grok 与 Fable 的成绩也很接近。模型在一些任务上有竞争力，在另一些任务上差距更大。

公司介绍了新的安全防护体系，并报告拒绝回答和抵抗越狱的能力有所提升，包括双用途领域。这些是公司对自身评测的说法。Berman 还提到马斯克对延期的解释：模型可能过早放弃任务，或未充分检查自己的工作。

展示的 Artificial Analysis 智能指数将 Grok 4.7 以 46 分列在第五位，排在 Fable、Astra、Opus 和 Muse Spark 等模型之后。这个综合指标提供了另一种比较，但不能取代在用户实际关心的工作中测试模型。

Berman 展示了一段第三方火箭动画对比，Grok 的结果在 Kimi K3 旁边看起来很差。他提醒自己不知道对方使用了什么设置。Artificial Analysis 还报告 Grok 4.7 的 token 用量更高，这可能使每项完成任务的成本上升，即使单价较低。

引用的上下文窗口为 50 万 token，而几个竞争模型为 100 万。Berman 认为 Grok 4.7 在部分领域接近前沿，具有成本效益，并希望未来的 Grok Bot 更新能使用它。由于他自己的测试有限，这一结论仍是初步判断。