xAI Grok 4.7 发布：功能、基准测试与社区反应

Grok 4.7 在与 4.6 相同的价格下提供更强的长上下文编码能力和安全性

xAI 于 2026‑09‑21 宣布推出 Grok 4.7，定位为 Grok 系列中功能最强的编码与知识工作模型。该模型的输入和输出定价与 Grok 4.6 保持一致，均为每百万输入令牌 2 美元，每百万输出令牌 6 美元，但声称具备更长的推理窗口、更好的自我验证能力，以及公司迄今为止最强的安全防护体系。

核心技术改进

更大的基础模型：根据社区推测，Grok 4.7 的架构比 4.6 更大，参数量大约多出 40 %。
延长的强化学习训练：强化学习阶段被延长，并更侧重于多小时任务，从而提升了在需要长时间代码生成的基准测试中的表现（例如 CursorBench 4.0）。
原生 Grok Bot 集成：模型现在可直接理解 Grok Bot 框架，提升了对话和通用知识任务的表现。
增强的自我检查能力：新增的验证循环使模型能更可靠地发现自身错误，这是报告中安全性能提升的关键因素。

基准测试表现概览

基准测试	Grok 4.7	Grok 4.6	GPT‑5.6 Sol	Fable 5.1
CursorBench 4.0（软件工程）	46.3 %	40.4 %	41.7 %	51.8 %
DeepSWE v1.1（软件工程，高投入）	71.0 %*	65.2 %	72.7 %	70.0 %
EEBench（电气工程）	64.0 %	53.0 %	39.4 %	56.4 %
AA Briefcase v1.1（多小时办公任务）	1,657 分	1,546 分	1,487 分	1,678 分
Terminal‑Bench 4.0（多小时终端任务）	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 %

*高投入得分。

核心结论：Grok 4.7 在大多数工程与专业工作基准测试中领先其自身系列，尤其在长上下文任务中表现突出，同时在价格上仍与前代保持竞争力。

安全性与双重用途控制

全新防护体系：发布说明称，这是迄今为止最强的拒绝请求与越狱抵抗能力。
HackerBench v0.3：Grok 4.7 仅允许 3.3 % 的高风险双重用途提示通过，同时仍允许合法的安全研究。
LatchBio 生物安全基准测试：该模型得分为 62.4 %，在评估的前沿模型中最高。
红队访问权限：部分网络安全合作伙伴可获得邀请制访问 Grok 4.7 的防御能力。

定价与可用性

令牌定价：每百万输入令牌 2 美元，每百万输出令牌 6 美元（与 Grok 4.6 完全相同）。一个“快速”版本价格翻倍，输出速度提升一倍。
访问途径：可通过 Cursor、Grok Build、Grok API、第三方编码框架以及云模型路由器使用。
免费试用：用户可访问 x.ai/build 试用 Grok Build。

Hacker News 社区反应

正面评价

长时间编码任务：用户报告 Grok 4.6 已能处理复杂的构建根环境；许多人预期 4.7 将在此基础上进一步提升。
前端开发：多位评论者称赞 Grok 快速生成 HTML/CSS/JS 代码片段的能力。
安全性感知：新防护体系被视为双重用途领域的重要进步。

批评与担忧

令牌效率下降：多位评论者指出输出令牌消耗显著上升（例如，CursorBench 得分为 46 % 时消耗 2.4 亿令牌，而 4.6 仅消耗 9700 万），表明尽管定价不变，模型效率反而降低。

"与 Grok 4.6 相比，令牌效率出现显著退步，这由 artificialanalysis.ai 智能指数对比所揭示。" – @notduckrabbit
基准测试相关性存疑：部分用户质疑对比模型的选择（如 GPT‑5.6 Sol、Fable 5.1），并指出未包含如 Kimi 或 DeepSeek 等中文模型。

"为什么没有将 Kimi、Deepseek 等中国模型加入对比基准？" – @shdtabasum
缓存定价不透明：公开价格表仅列出输入/输出费率，缓存读取成本未披露，引发价格欺诈指控。

"每次 Grok 发布都会掩盖其缓存定价，同时突出输入/输出定价……长时间代理工作流主要由缓存读取主导。" – @GodelNumbering
性能与成本权衡不佳：用户报告快速版本价格翻倍，但速度提升不明显，且缓存惩罚使 Grok 比 DeepSeek 4.1 Flash 等替代方案更昂贵。

"Grok 实在太贵了。我用 DeepSeek 4.1 Flash 花费不到一半的价格就获得了极佳的效果。" – @meerita
基准测试结果参差不齐：尽管 Grok 4.7 在多数任务上优于 4.6，但在某些专业基准测试（如图像转 HTML 生成、全知性测试）中仍落后于 Astra 和 Gemini 3.8 Flash 等对手。

"Astra 真是不同凡响。虽然贵，但我的任务用的令牌少得多。" – @saejox "Grok 4.7 在 Redactle LLM 排行榜上接近顶端，但仍不如 Gemini 3.8 Flash。" – @pampas
用户体验退步：部分早期用户观察到响应速度变慢、令牌消耗更高，导致订阅计划中的配额更快耗尽。

"4.7 肯定更慢也更贵……今天我用它做基准测试，进展非常缓慢。" – @mchusma

混合反馈对前沿发展的启示

基准提升有限：Grok 4.7 的主要改进（如 CursorBench 提升 6 %）虽真实存在，但并非颠覆性突破；在多个任务上仍落后于顶尖前沿模型。
定价策略至关重要：在保持输入/输出费率不变的同时增加令牌消耗，可能削弱成本效益，尤其对重度使用开发者和代理而言。
安全优势是差异化关键：迄今为止最强的越狱抵抗能力，可能使 Grok 4.7 在受监管行业中更具吸引力，尽管其令牌消耗更高。
社区监督日益严格：用户要求在缓存定价、基准测试方法和真实世界令牌效率方面提高透明度，预示未来发布需更清晰的成本披露。

总结

Grok 4.7 通过更长的上下文窗口、更好的自我验证能力以及公司迄今最强大的安全防护体系，推动了 xAI 编码导向模型的发展。然而，有限的基准提升、更高的令牌消耗以及不透明的缓存定价，引发了开发者的分歧反应。该模型的价值主张如今取决于其安全保证和长时间任务表现，是否足以抵消实际工作负载中增加的运营成本。