xAI于2026年9月21日正式推出Grok 4.7。官方发布页披露，该模型在DeepSWE v1.1基准的高强度（xHigh）设置下达到71.0%，较上一代Grok 4.6的65.2%提升约6个百分点；CursorBench 4.0得分从40.4%升至46.3%；每百万token定价维持$2输入/$6输出不变。这是xAI发布Grok 4以来连续第二个子版本迭代，训练方向已从通用对话能力明显转向多小时工程任务。
强化学习的赌注：把难题喂给模型
据xAI官方博客介绍，Grok 4.7采用“更长的强化学习训练轮次，在加权向多小时任务的更难题库上进行”。这句话的工程含义是：xAI刻意让模型在训练阶段见到那些需要长时间推理、多步验证的真实工程场景，而不是一问一答的短程任务。这与当前主流大型实验室的趋势一致——OpenAI、Anthropic同期也在将RL算力重心从RLHF偏好对齐迁移到可验证任务的过程奖励。
DeepSWE v1.1基准专门测量模型在软件工程全流程中的自主完成能力，包括理解代码库、定位bug、生成修复补丁并通过测试套件验证。71.0%意味着Grok 4.7在10个此类任务中约有7个能够独立完工。作为对照，同期Claude Fable 5.1在该基准上报告的高强度成绩约为70.0%，另一家GPT-5.6 Sol约为72.7%，三者处于同一梯队。
“价格是竞品一半”——数字没有撒谎，但结论撒了
发布舆论中传播最广的说法是Grok 4.7定价约为同类模型的一半。从每百万token的列表价来看，这个对比基本成立：$2/$6对标市场上部分旗舰模型$6-$15的区间。但据AI分析机构Artificial Analysis的实测数据，Grok 4.7在其“智力指数”任务中平均消耗约81,000个输出token，而Grok 4.6为36,000个——单任务token消耗增加了125%。
这意味着：在同等工程任务上，你支付的不是0.5倍的价格，而是接近1.0倍，有时甚至更高。Artificial Analysis的测算显示，Grok 4.7 xHigh完成CursorBench任务的单次成本约为$6.01，而Claude Fable 5.1 Medium的同等完成成本约为$7.05——差距缩减至约15%，远不是宣传中的“减半”。
这个悖论并非xAI独有，但在Grok 4.7上体现得格外典型：强化学习让模型更倾向于“慢思考”路径，大量中间推理步骤被展开成可见token，基准分数上去了，账单也悄悄涨上去了。对于每月处理数十亿token的生产团队，这个差异足以影响迁移决策。
两个基准，两副面孔
开发者社区中出现了对立鲜明的两种声音，根源在于Grok 4.7在不同基准上的表现差异极为显著。
CursorBench 4.0测量的是AI辅助编码助手在代码补全、重构、debug等有人参与的交互场景中的完成质量——Grok 4.7在这里得到46.3%，与Fable 5.1处于同一量级。
Terminal-Bench 4.0测量的则是模型在纯命令行环境下的自主执行能力——Grok 4.7拿到37.6%，而Claude Fable 5.1的同期成绩约为57.9%，差距超过20个百分点。有开发者直接用“horrendous”（糟透了）来形容这一结果。
两组数据读出的是同一个模式：Grok 4.7在有反馈回路、有人工确认的长程协作任务上表现合格；在需要模型自行决策、执行、验证的无人值守场景中，目前还不到位。这对于正在评估是否将Grok 4.7接入CI/CD流水线或夜间自动化任务的团队，是一个不可忽略的实际约束。
Harvey法律基准：一个被低调处理的强项
官方公告中另有一项数据被主流报道忽略：Grok 4.7在Harvey法律代理人基准上得分19.6%，据报道超出同期对比旗舰模型数倍。Harvey基准专门测量AI在法律文件分析、合同审查、多步法律推理任务中的表现，属于高专业门槛的知识工作场景。
这与DeepSWE的强项构成了一个清晰的轮廓：Grok 4.7的RL训练所侧重的“多小时任务”，本质上是那些有明确正确答案、可以程序化验证的专业问题——无论是软件测试通过与否，还是法律条款是否被正确援引。这类任务的共同特征是有强奖励信号，适合RL打磨。
竞争格局中的位置
从当前可比基准来看，Grok 4.7与Fable 5.1、GPT-5.6 Sol三者在DeepSWE上的差距在2个百分点以内，已经进入统计噪声区间。但在CursorBench和Terminal-Bench上，三者的分化更为明显，反映出各自RL训练数据配比的侧重差异。
在定价维度，xAI的$2/$6仍低于Anthropic和OpenAI同等能力段模型的公开价格，即便计入token消耗增加后的实际成本，Grok 4.7在长程编码任务上仍具备约10%-20%的成本优势。这个优势不足以形成压倒性的选择理由，但对于成本敏感的中型团队，已经够用了。
结论
Grok 4.7是一款在特定场景下完成度较高的工程工具，但它的营销叙事和实际表现之间存在几处明显的错位。DeepSWE 71%是真实成绩，但它依赖高强度推理模式；“价格是竞品一半”从列表价看合理，但高token消耗在实际任务上把这一优势吞噬了相当一部分；Terminal-Bench上的短板意味着全自动代理场景目前并非其主战场。
对于有长程代码协作需求、愿意在工程任务中接受较高推理延迟的团队，Grok 4.7提供了一个测试选项。对于需要高速无人值守自动化的团队，现有数据尚不支持迁移决策。xAI把赌注押在了“把难题做对”而非“把简单任务做快”这条路上，这个方向本身是清醒的——只是距离全面可用，还差几个Terminal-Bench的版本迭代。
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接