xAI Grok 4.7リリース：機能、ベンチマーク、コミュニティの反応

Grok 4.7は、4.6と同等の価格でより強力な長文コード処理と安全性を実現

xAIは2026年9月21日にGrok 4.7を発表し、Grokシリーズ中最もコード処理および知識作業に適したモデルであると位置づけました。Grok 4.6と同様に、1Mトークンあたり入力は2ドル、出力は6ドルの料金で動作しますが、より長い推論ウィンドウ、より優れた自己検証機能、および同社がリリースした中で最も強固なセーフガードスタックを備えています。

コア技術的改善点

  • より大きなベースモデル：コミュニティの推測によると、Grok 4.7は4.6よりも約40％多くのパラメータを持つ、より大きなアーキテクチャを採用しています。
  • 拡張されたRLトレーニング：強化学習フェーズが延長され、複数時間にわたるタスクに重点が置かれており、長時間にわたるコード生成を課すベンチマーク（例：CursorBench 4.0）でのパフォーマンスが向上しています。
  • ネイティブな Grok Bot 統合：モデルはGrok Botのハーネスを直接理解できるようになり、会話や一般知識タスクのパフォーマンスが向上しています。
  • 強化された自己チェック：新しい検証ループにより、モデルが自身の誤りをより確実に検出できるようになり、報告された安全性の向上の鍵となっています。

ベンチマークパフォーマンスの概要

ベンチマーク Grok 4.7 Grok 4.6 GPT‑5.6 Sol Fable 5.1
CursorBench 4.0（ソフトウェアエンジニアリング） 46.3 % 40.4 % 41.7 % 51.8 %
DeepSWE v1.1（ソフトウェアエンジニアリング、高負荷） 71.0 %* 65.2 % 72.7 % 70.0 %
EEBench（電気工学） 64.0 % 53.0 % 39.4 % 56.4 %
AA Briefcase v1.1（複数時間にわたる事務作業） 1,657 pts 1,546 pts 1,487 pts 1,678 pts
Terminal‑Bench 4.0（複数時間にわたるターミナル作業） 38.0 % 20.3 % 37.3 % 57.9 %
Harvey Legal Agent 19.6 % 15.8 % 2.5 % 6.7 %
HealthBench Professional 56.7 % 48.5 % 60.5 % 62.1 %

*高負荷スコア。

結論：Grok 4.7は、多くのエンジニアリングおよびプロフェッショナル作業のベンチマークで自身のラインをリードしており、特に長文タスクにおいて顕著な進歩を遂げています。一方で、前バージョンと同等の価格競争力も維持しています。

セキュリティと二重利用制御

  • 新規セーフガードスタック：リリースノートでは、これまでで最も強固な拒否反応およびジャイルブレイク耐性を実現したと主張しています。
  • HackerBench v0.3：Grok 4.7は、リスクのある二重利用プロンプトのうちわずか3.3％しか通過させず、正当なセキュリティ研究は許可しています。
  • LatchBioバイオセーフティベンチマーク：モデルは62.4％を記録し、評価された最先端モデルの中で最高スコアです。
  • レッドチームアクセス：選ばれたサイバーセキュリティパートナーは、Grok 4.7の防御機能に招待制でアクセスできます。

価格設定と利用可能範囲

  • トークン価格：入力1Mトークンあたり2ドル、出力1Mトークンあたり6ドル（Grok 4.6と同一）。高速版は出力速度を2倍にし、価格は2倍です。
  • アクセス経路：Cursor、Grok Build、Grok API、サードパーティのコードハーネス、クラウドモデルルーターを通じて利用可能。
  • 無料トライアル：ユーザーはx.ai/buildでGrok Buildを試用できます。

Hacker Newsにおけるコミュニティの反応

ポジティブな印象

  • 長時間のコード処理：ユーザーはGrok 4.6がすでに複雑なビルドルート設定を処理できることを報告しており、多くの人が4.7がさらに向上すると期待しています。
  • フロントエンド開発：複数のコメント者が、HTML/CSS/JSスニペットを迅速に生成できるGrokの能力を称賛しています。
  • 安全性の認識：新規セーフガードスタックは、二重利用分野における前進と見なされています。

指摘と懸念

  • トークン効率の低下：複数のコメント者が、出力トークン消費量の急増（例：CursorBenchスコア46.3％で240Mトークン、4.6では97Mトークン）を指摘し、価格が変わっても経済性が低下している可能性を示唆しています。

    "Grok 4.6と比べて、人工分析AIのインテリジェンスインデックス比較により、トークン効率の顕著な低下が示唆されている。" – @notduckrabbit

  • ベンチマークの妥当性：一部のユーザーは、比較対象としてGPT‑5.6 SolやFable 5.1を選んだこと、また中国モデル（KimiやDeepSeekなど）が除外されたことについて疑問を呈しています。

    "なぜKimiやDeepseekといった中国モデルが比較ベンチマークに追加されていないのか？" – @shdtabasum

  • キャッシュ価格の不透明性：公開価格表には入力/出力レートのみが記載されており、キャッシュ読み取りコストは非公開のままです。これにより、価格の不透明性を疑う声が上がっています。

    "Grokのリリースごとにキャッシュ価格を隠蔽しながら、入出力価格を強調している…長時間のエージェントワークフローはキャッシュ読み取りに支配されている。" – @GodelNumbering

  • パフォーマンスとコストのトレードオフ：高速版はコストを2倍にしても、速度の向上は比例しておらず、キャッシュペナルティによりDeepSeek 4.1 Flashなど他の選択肢より高価になるとの報告があります。

    "Grokは本当に高価です。私はDeepSeek 4.1 Flashを使えば、価格の数分の1で非常に素晴らしい結果を得ています。" – @meerita

  • ベンチマーク結果の混合：Grok 4.7は多くのタスクで4.6を上回っていますが、AstraやGemini 3.8 Flashといった競合モデルに、画像からHTML生成やオムニ科学テストなど特定のベンチマークで劣る結果となっています。

    "Astraは本当にすごい。高価だが、私のタスクでははるかに少ないトークンで済む。" – @saejox "Grok 4.7はRedactle LLMランキングで上位に位置するが、Gemini 3.8 Flashほどではない。" – @pampas

  • ユーザーエクスペリエンスの低下：一部の早期採用者は、応答速度の遅さと高トークン消費を観察し、サブスクリプションプランでのクォータの迅速な枯渇を報告しています。

    "4.7は確かに遅く、高価だ…今日のベンチマーク作業では、あまり進んでいない。" – @mchusma

混合反応が先端技術に与える意味

  • ベンチマークの進歩は限定的：Grok 4.7の目立つ改善（例：CursorBenchで+6％）は実際のものですが、変革的とは言えず、いくつかのタスクでは最上位の先端モデルにまだ遅れをとっています。
  • 価格戦略が重要：入出力料金を維持しながらトークン消費量を増やす戦略は、特に高頻度利用の開発者やエージェントにとってコスト効率を損なう可能性があります。
  • 安全性の進歩が差別化要因：これまでで最も強固なジャイルブレイク耐性は、高コストを許容する規制産業にとってGrok 4.7を魅力的にする要因となるでしょう。
  • コミュニティの監視が強化：ユーザーはキャッシュ価格、ベンチマーク手法、実世界でのトークン効率に関する透明性を求めており、今後のリリースでは明確なコスト開示が求められる兆しです。

最後に

Grok 4.7は、より長いコンテキストウィンドウ、より優れた自己検証、および同社がリリースした中で最も堅牢なセーフガードスタックを備え、xAIのコード中心モデルを前進させました。しかし、限定的なベンチマーク改善、高トークン消費、および不透明なキャッシュ価格により、開発者間で意見が分かれています。このモデルの価値提案は、実世界のワークロードにおいて、その安全性の保証と長時間タスクのパフォーマンスが、増加する運用コストを上回るかどうかにかかっています。

Sources

関連