xAI Grok 4.7 發布：功能、基準測試與社群反應

Grok 4.7 在與 4.6 相同的價格下，提供更強的長上下文程式碼與安全性

xAI 於 2026‑09‑21 宣布推出 Grok 4.7，定位為 Grok 系列中最具能力的程式碼與知識工作模型。該模型的輸入與輸出代幣定價與 Grok 4.6 相同，均為每百萬輸入代幣 2 美元、每百萬輸出代幣 6 美元，但聲稱具備更長的推理視窗、更佳的自我驗證能力，以及公司迄今發布最強大的安全防護系統。

核心技術改進

更大的基礎模型：根據社群猜測，Grok 4.7 的架構比 4.6 更大，參數量約多出 40 %。
延長的強化學習訓練：強化學習階段被延長，並更傾向於多小時的任務，提升了在長時間程式碼生成基準測試（例如 CursorBench 4.0）上的表現。
原生 Grok Bot 整合：模型現在能直接理解 Grok Bot 的框架，提升了對話與一般知識任務的表現。
增強的自我檢查：新增的驗證迴圈讓模型能更可靠地發現自身錯誤，這是在報告中安全提升的關鍵因素。

基準測試表現概覽

基準測試	Grok 4.7	Grok 4.6	GPT‑5.6 Sol	Fable 5.1
CursorBench 4.0（軟體工程）	46.3 %	40.4 %	41.7 %	51.8 %
DeepSWE v1.1（軟體工程，高耗時）	71.0 %*	65.2 %	72.7 %	70.0 %
EEBench（電氣工程）	64.0 %	53.0 %	39.4 %	56.4 %
AA Briefcase v1.1（多小時辦公工作）	1,657 分	1,546 分	1,487 分	1,678 分
Terminal‑Bench 4.0（多小時終端工作）	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 %

*高耗時得分。

重點：Grok 4.7 在多數工程與專業工作基準測試中領先其自身系列，特別是在長上下文任務方面，同時仍保持與前代產品相同的價格競爭力。

安全性與雙用途控制

新的安全防護系統：發布說明聲稱這是迄今為止最強的拒絕與越獄抵抗能力。
HackerBench v0.3：Grok 4.7 僅允許 3.3 % 的高風險雙用途提示通過，同時仍允許合法的安全研究。
LatchBio 生物安全基準測試：模型得分 62.4 %，為評估的前沿模型中最高。
紅隊存取：部分資安合作夥伴可獲得邀請制的 Grok 4.7 防禦能力存取權。

定價與可用性

代幣定價：每百萬輸入代幣 2 美元、每百萬輸出代幣 6 美元（與 Grok 4.6 相同）。「快速」版本價格翻倍，輸出速度提升一倍。
存取管道：透過 Cursor、Grok Build、Grok API、第三方程式碼框架以及雲端模型路由器提供。
免費試用：使用者可透過 x.ai/build 嘗試 Grok Build。

社群在 Hacker News 上的反應

正面評價

長時間程式碼執行：使用者報告 Grok 4.6 已能處理複雜的建置根設定；許多使用者預期 4.7 將在此方面進一步提升。
前端開發：多位評論者讚揚 Grok 生成 HTML/CSS/JS 片段的快速能力。
安全性感知：新的安全防護系統被視為雙用途領域的重要進步。

批評與擔憂

代幣效率退步：多位評論者指出輸出代幣消耗大幅上升（例如，CursorBench 得分 46 % 消耗 240 M 代幣，而 4.6 僅需 97 M），顯示模型在定價不變的情況下更不經濟。

"與 Grok 4.6 相比，代幣效率顯著退步，此說法來自 artificialanalysis.ai 智能指數比較。" – @notduckrabbit
基準測試相關性質疑：部分使用者質疑比較對象的選擇（例如 GPT‑5.6 Sol、Fable 5.1），並忽略中國模型如 Kimi 或 DeepSeek。

"為什麼比較基準中沒有加入 Kimi、Deepseek 等中國模型？" – @shdtabasum
快取定價不透明：公開定價表僅列出輸入/輸出定價，快取讀取成本則隱藏，引發誘導性定價的指控。

"每次 Grok 發布都隱藏其快取定價，同時強調輸入/輸出定價……長時間的代理工作流程主要由快取讀取主導。" – @GodelNumbering
效能與成本的權衡：使用者報告快速版本價格翻倍，但速度提升不顯著，且快取罰款使 Grok 比 DeepSeek 4.1 Flash 等替代方案更昂貴。

"Grok 真的很貴。我用 DeepSeek 4.1 Flash 只花一小部分價格就獲得極佳結果。" – @meerita
基準測試結果參差不齊：雖然 Grok 4.7 在許多任務上超越 4.6，但在某些專門基準測試（如圖像轉 HTML 生成、全知測試）上仍落後於 Astra 和 Gemini 3.8 Flash 等競爭對手。

"Astra 真是不一樣。雖然貴，但我的任務用的代幣少很多。" – @saejox "Grok 4.7 在 Redactle LLM 排行榜上接近頂端，但仍不如 Gemini 3.8 Flash。" – @pampas
使用者體驗退步：部分早期使用者觀察到回應速度變慢、代幣消耗增加，導致訂閱方案的配額更快耗盡。

"4.7 肯定更慢也更貴……我今天測試時進展很慢。" – @mchusma

混合反饋對前沿發展的意義

基準提升有限：Grok 4.7 的主要改進（例如 CursorBench 上 +6 %）雖真實存在，但並非革命性；該模型在多項任務上仍落後於頂尖前沿模型。
定價策略至關重要：在輸入/輸出定價不變的情況下增加代幣消耗，可能削弱成本效益，特別是對重度使用者與代理程式而言。
安全性進步是差異化因素：迄今最強的越獄抵抗能力，可能使 Grok 4.7 對受監管產業更具吸引力，儘管其代幣消耗較高。
社群監督日益嚴格：使用者要求提高快取定價、基準測試方法與實際代幣效率的透明度，顯示未來發布需提供更清晰的成本揭露。

總結

Grok 4.7 透過更長的上下文視窗、更好的自我驗證與公司迄今最強的安全防護系統，推動 xAI 的程式碼導向模型向前發展。然而，基準測試提升有限、代幣消耗增加以及快取定價不透明，導致開發者社群反應兩極。該模型的價值主張如今取決於其安全性保證與長時間任務表現，是否能抵消實際工作負載中增加的運營成本。