Một thẻ tiêu đề cho bài viết về ngày phát hành Grok 4.7 ghi 'Grok 4.7 — câu hỏi về ngày phát hành', với phụ đề 'Chưa phát hành. Đây là những gì xAI thực sự đã nói.' và ba chip: 'Đã hoàn tất huấn luyện ban đầu', 'Dữ liệu SpaceX đã vào' và 'Musk: 3–4 tuần', kèm dòng cuối: '~2,1 nghìn tỷ tham số — tuyên bố, không phải thông số kỹ thuật'.
Guides & Insights

Grok 4.7 đạt 46 điểm trên Artificial Analysis Intelligence Index và đưa SpaceXAI vào Top 4

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Grok 4.7 đạt 46 điểm trên Artificial Analysis Intelligence Index và đưa SpaceXAI vào Top 4

Grok 4.7 đã ra mắt. SpaceXAI phát hành nó vào Thứ Hai, ngày 21 tháng 9 năm 2026 — với cùng mức 2 đô-la cho mỗi triệu token đầu vào và 6 đô-la cho mỗi triệu token đầu ra như Grok 4.6, cùng cửa sổ ngữ cảnh 500.000 token, mốc kiến thức cắt ngang muộn hơn và một cấp độ suy luận cao nhất mới. Nó đã hoạt động trong Cursor và Grok Build, thông qua API của chính nhà cung cấp, và thông qua các harness lập trình của bên thứ ba, các bộ định tuyến mô hình và các nền tảng đám mây. Grok 4.5, từ ngày 8 tháng 7, vẫn nằm dưới nó với vai trò lựa chọn rẻ hơn, và những mô hình mà nó vẫn phải vượt qua không thay đổi: Claude Fable 5.1, Claude Opus 5 và GPT-5.6 Sol đều nằm trên nó trên Chỉ số Thông minh v4.3.2 của Artificial Analysis, nơi điểm số độc lập đầu tiên của Grok 4.7 — 46 — cao hơn Grok 4.6 hai điểm và thấp hơn Claude Fable 5.1 bảy điểm. Trên bảng AA-Briefcase của cùng đơn vị đánh giá dành cho công việc tri thức tầm xa, nó đứng thứ tư, sau ba mục Claude và trước Claude Opus 5 ở mức nỗ lực xhigh, với chi phí mỗi tác vụ bằng khoảng một nửa chi phí của Claude Opus 5 — kết quả độc lập đầu tiên trong bản phát hành này được xem là một thắng lợi về giá-hiệu năng thay vì một khoảng cách. Mười một ngày sau, bức tranh đã mở rộng ở các rìa thay vì ở phần giữa: kể từ ngày 1 tháng 10, nó đã được triển khai dần bên trong các ứng dụng web và di động của chính Grok, nơi bộ chọn chế độ giờ đây ghi tên nó ở hai mục khó nhất, và nó được niêm yết trên OrcaRouter với mức $2/$6 của chính SpaceXAI.

Đó là buổi ra mắt. Những con số hữu ích hơn đến cùng ngày hôm đó, từ một bên đánh giá duy nhất trong câu chuyện này không phải là nhà cung cấp: Artificial Analysis đã công bố bài đánh giá độc lập đầu tiên về Grok 4.7, và đó là một kết quả gồm ba phần — 46 điểm trên Chỉ số Thông minh, chỉ hơn Grok 4.6 đúng hai điểm; 56 điểm trên Chỉ số Tác nhân Lập trình, hơn nó chín điểm; và 1.657 Elo trên AA-Briefcase, hơn 111 điểm. Ba con số đó chỉ về những hướng khác nhau, và khoảng cách giữa chúng là điều thú vị nhất về bản phát hành này. Phần tiếp theo là thông số kỹ thuật đã phát hành, bảng đánh giá của chính nhà cung cấp với nhãn mà mỗi hàng cần có, và sau đó là các điểm số độc lập được đọc đúng cách — bao gồm cả những gì chúng nói về lưu ý về mức độ sẵn sàng mà SpaceXAI chưa từng giải quyết.

SpaceXAI đã phát hành gì vào ngày 21 tháng 9

Hãy bắt đầu với thông số kỹ thuật, vì nó gần giống một cách bất thường so với bản tiền nhiệm. Grok 4.7 được định giá y hệt Grok 4.6 — $2 mỗi triệu token đầu vào và $6 mỗi triệu token đầu ra dưới 200.000 token đầu vào, tăng lên $4 đầu vào và $12 đầu ra khi một yêu cầu vượt ngưỡng đó, cùng cấu trúc mà Grok 4.6 đã giới thiệu. Cửa sổ ngữ cảnh là 500.000 token. Mốc kiến thức là tháng 5 năm 2026, muộn hơn ba tháng so với ngày 1 tháng 2 năm 2026 của Grok 4.6. Nỗ lực suy luận chạy qua bốn cấp độ — thấp, trung bình, cao và xhigh — và các số liệu được công bố được tính ở mức xhigh. Một biến thể nhanh chạy với tốc độ đầu ra gấp đôi với mức giá gấp đôi.

Về bản chất, xAI mô tả ba thay đổi chứ không phải một kiến trúc mới. Mô hình nền lớn hơn mô hình của Grok 4.6. Quá trình chạy học tăng cường kéo dài hơn và được dồn trọng số vào những tác vụ cần nhiều giờ để hoàn thành. Và mô hình được huấn luyện để tự kiểm chứng công việc của mình cũng như nắm giữ ngữ cảnh dài tốt hơn, bao gồm cả khả năng hiểu nguyên bản về harness của Grok Bot. Tóm tắt một dòng của chính công ty là "nhanh gấp đôi, với giá bằng một nửa so với các mô hình tương đương" — một tuyên bố định vị về các đối thủ hơn là một phép đo, và đáng để đọc theo đúng nghĩa đó.

Ngay từ ngày đầu, mức độ sẵn có đã rộng và đã mở rộng thêm hai lần kể từ đó. Khi ra mắt: Cursor và Grok Build, API của chính nhà cung cấp, các harness lập trình của bên thứ ba, các bộ định tuyến mô hình và nền tảng đám mây; trang Grok Build của chính SpaceXAI giờ nói thẳng rằng hãy "bắt đầu xây dựng với Grok 4.7". Vào ngày 28 tháng 9, Amazon Web Services đã thêm nó vào Amazon Bedrock với cùng cửa sổ ngữ cảnh 500.000 token và cùng bốn mức nỗ lực suy luận, được phục vụ thông qua các cấu hình suy luận liên vùng, nên mô hình giờ có thể được truy cập thông qua danh mục của chính một nhà siêu quy mô chứ không chỉ qua API của nhà cung cấp. Rồi vào ngày 1 tháng 10, nó bắt đầu được triển khai trong các ứng dụng web và di động dành cho người tiêu dùng của Grok, và hai ngày sau đó, nó vẫn chỉ dừng ở đó. Bước cuối cùng đó diễn ra im ắng một cách bất thường: SpaceXAI đã công bố bước tương đương cho Grok 4.5 bằng một bài đăng blog có tiêu đề "Đưa Grok 4.5 đến iOS, Android, Web và X", và chưa công bố gì cho Grok 4.7, nên thay đổi này có thể thấy trong sản phẩm thay vì được tuyên bố. Đây là thay đổi phía máy chủ chứ không phải được phát hành kèm, điều mà các niêm yết ứng dụng xác nhận: cả niêm yết iOS và Android của Grok đều thay đổi vào ngày 1 tháng 10 — bản dựng trên App Store là 1.4.47, phát hành ngày hôm đó, và ghi chú phát hành của nó chỉ đề cập "Cải thiện Chat, Voice và Imagine", trong khi niêm yết trên Play được cập nhật cùng ngày. Thay đổi được đẩy từ backend thay vì được tích hợp vào tệp nhị phân. Vì việc triển khai đang được đưa tin thay vì được ghi nhận bằng tài liệu, phạm vi chính xác khó xác định hơn so với niêm yết trên Bedrock, vốn có một bài đăng AWS ghi ngày tháng đằng sau, và các đưa tin đã bắt đầu lệch: các tài khoản theo dõi việc này giờ mô tả Grok 4.7 là mô hình cơ sở trên mọi chế độ — Fast, Expert, Build và Heavy — một danh sách không khớp với những gì grok.com thực sự phục vụ. Hãy đọc đó như báo cáo của chính các đơn vị theo dõi chứ không phải mô tả từ nhà cung cấp. Các đối tác an ninh mạng được chọn có quyền truy cập chỉ theo lời mời vào các khả năng red-team của mô hình.

Một đính chính cho hồ sơ mà bài viết này vẫn giữ. Số lượng tham số đã lưu hành trong hai tháng — khoảng 2,1 nghìn tỷ, cao hơn khoảng 40% so với 1,5 nghìn tỷ của Grok 4.6 — vẫn chưa xuất hiện trên bất kỳ bảng thông số kỹ thuật nào. xAI chưa công bố số lượng tham số cho Grok 4.7, và Artificial Analysis ghi kích thước mô hình là không được tiết lộ. Con số đó vốn luôn chỉ là tuyên bố của một nhà sáng lập, và buổi ra mắt đã không biến nó thành một thông số kỹ thuật.

Bảng benchmark là của chính xAI — đây là những gì không phải.

Mọi con số trong danh sách dưới đây đều đến từ thông báo của nhà cung cấp, và không có nội dung nào trong đó được tái lập một cách độc lập. Hãy đọc nó với nhãn đó được gắn kèm: đây là các con số của xAI trên những bài đánh giá do xAI tự chọn, được công bố vào ngày phát hành, và tuần đầu tiên của bất kỳ đợt ra mắt nào cũng là lúc các benchmark của nhà cung cấp ít đáng tin cậy nhất. Các cột so sánh cũng là của chính nhà cung cấp — Grok 4.6 (high), GPT-5.6 Sol (max) và Claude Fable 5.1 (max), mỗi mô hình được chạy ở mức nỗ lực do nhà cung cấp lựa chọn.

• CursorBench 4.0 — Grok 4.7 46,3%, Grok 4.6 40,4%, GPT-5.6 Sol 41,7%, Claude Fable 5.1 51,8%. Do nhà cung cấp báo cáo.

• DeepSWE v1.1 — Grok 4.7 71,0% ở mức nỗ lực cao, Grok 4.6 65,2%, GPT-5.6 Sol 72,7%, Claude Fable 5.1 70,0%. Do nhà cung cấp báo cáo.

• Terminal-Bench 4.0 — Grok 4.7 37.6%, Grok 4.6 20.3%, GPT-5.6 Sol 37.3%, Claude Fable 5.1 57.9%. Do nhà cung cấp báo cáo và đã được sửa đổi: dòng Grok 4.7 ghi 38.0% trong bảng ngày ra mắt và hôm nay ghi 37.6% trên trang của nhà cung cấp.

• EEBench — Grok 4.7 64.0%, Grok 4.6 53.0%, GPT-5.6 Sol 39.4%, Claude Fable 5.1 56.4%. Theo báo cáo của nhà cung cấp.

• Harvey Legal Agent — Grok 4.7 19,6%, Grok 4.6 15,8%, GPT-5.6 Sol 2,5%, Claude Fable 5.1 6,7%. Do nhà cung cấp báo cáo.

• HealthBench Professional — Grok 4.7 56,7%, Grok 4.6 48,5%, GPT-5.6 Sol 60,5%, Claude Fable 5.1 62,1%. Do nhà cung cấp báo cáo.

• AA Briefcase v1.1 — Grok 4.7 1.657, Grok 4.6 1.546, GPT-5.6 Sol 1.487, Claude Fable 5.1 1.678. Đây là hàng duy nhất trong bảng không còn chỉ thuộc về nhà cung cấp: bảng AA-Briefcase của chính Artificial Analysis công bố cùng mức 1.657 cho Grok 4.7 ở mức nỗ lực xhigh và 1.546 cho Grok 4.6 ở mức high. Các cột so sánh vẫn là lựa chọn của nhà cung cấp về mô hình và mức nỗ lực.

• GDPval Elo — Grok 4.7 1.695, Grok 4.6 1.605, GPT-6 Astra 1.542, Claude Fable 5.1 1.735. Do nhà cung cấp báo cáo.

Cách diễn giải trung thực về bộ kết quả đó không phải là “Grok 4.7 thắng”. Nó đánh bại Grok 4.6 trên cả tám hạng mục, đó là mức tối thiểu mà một phiên bản kế nhiệm phải đạt được. So với các đối thủ khác, đây là một kết quả hỗn hợp: xếp trên GPT-5.6 Sol ở CursorBench, Terminal-Bench và EEBench, nhưng xếp sau GPT-5.6 Sol ở DeepSWE; xếp sau Claude Fable 5.1 ở CursorBench, Terminal-Bench, HealthBench và cả hai thước đo kiểu Elo, nhưng xếp trên Claude Fable 5.1 ở EEBench và đánh giá agent pháp lý Harvey. Nó cũng cho thấy một kết quả benchmark phụ thuộc bao nhiêu vào mức độ nỗ lực — 71,0% của DeepSWE là con số ở mức nỗ lực cao trong một bảng mà ngoài ra đều được ghi ở mức xhigh.

An toàn là điểm duy nhất mà những tuyên bố của nhà cung cấp lại cụ thể một cách bất thường. xAI cho biết Grok 4.7 được xây dựng trên một ngăn xếp bảo vệ hoàn toàn mới và gọi nó là mô hình mạnh nhất mà công ty từng kiểm thử về khả năng từ chối và chống jailbreak. Trên benchmark an toàn sinh học của LatchBio, nó báo cáo đạt 62,4%; trên HackerBench v0.3, nó báo cáo cho lọt 3,3% các prompt lưỡng dụng rủi ro trong khi hiếm khi chặn công việc bảo mật hợp pháp. Đó là những đánh giá do nhà cung cấp tự báo cáo trên bản phát hành của chính nhà cung cấp, và chưa có bên thứ ba nào tái lập chúng.

Những con số đầu tiên trong bài này không phải của nhà cung cấp chính là ba con số mà Artificial Analysis công bố ngày 21 tháng 9, và chúng mâu thuẫn với nhau theo một cách khá bổ ích. Trên Intelligence Index, Grok 4.7 đạt 46 điểm ở mức nỗ lực xhigh theo thang v4.3.2 — xếp thứ 16 trên bảng xếp hạng đó — so với 44 điểm của Grok 4.6. Mức tăng hai điểm ấy, theo Artificial Analysis, là đủ để đưa SpaceXAI vào nhóm bốn phòng thí nghiệm dẫn đầu của chỉ số này. Hãy đọc kỹ vị trí đó: đây là phát biểu về mô hình tốt nhất của một phòng thí nghiệm, chứ không phải về mô hình này, và bản thân mô hình vẫn còn kém 4 điểm so với mức 50 của Claude Fable 5 và kém 7 điểm so với mức 53 mà Claude Fable 5.1 và GPT-6 Astra cùng đạt được. Mức tăng hai điểm cũng nằm trong khoảng chênh lệch vốn xuất hiện giữa các mức nỗ lực của cùng một mô hình, điều này nhắc ta rằng một phiên bản kế nhiệm đạt điểm cao hơn phiên bản tiền nhiệm không đồng nghĩa với việc phiên bản kế nhiệm ấy thay đổi những gì là khả thi. Thêm một lưu ý nữa khi đọc con số này: phiên bản thang điểm rất quan trọng, bởi Artificial Analysis đã điều chỉnh lại chỉ số của mình, và các giá trị 61/62/63 xuất hiện trong phần lớn các bài viết tháng 7 và tháng 8 thuộc về thang điểm trước tháng 9 năm 2026 đã bị khai tử — chúng không thể so sánh với những con số này được.

Coding Agent Index là con số thứ hai, và nó là con số đã thay đổi. Chạy trong harness Grok Build của chính SpaceXAI ở mức xhigh effort, Grok 4.7 đạt 56 điểm so với 47 của Grok 4.6 — chín điểm, không phải hai — đứng thứ tư trong số các mô hình được đánh giá trong harness gốc của chúng, sau Claude Fable 5.1, GPT-6 Astra và Claude Opus 5, và trước GPT-5.6 Sol. Chỉ số này là một tổ hợp có trọng số bằng nhau của DeepSWE v1.1, Terminal-Bench 4.0 và SWE-Atlas-QnA trên 303 tác vụ, và cả ba thành phần đều cải thiện: DeepSWE từ 65% lên 73%, Terminal-Bench từ 18% lên 33%, SWE-Atlas-QnA từ 58% lên 63%. Đây là bằng chứng độc lập đầu tiên cho thấy bản sửa mà xAI mô tả — học tăng cường dài hơn, có trọng số hướng tới các tác vụ kéo dài nhiều giờ — đã có tác dụng, và đây là con số mà một nhóm chọn coding agent nên cân nhắc kỹ nhất, vì nó được đo trong harness mà mô hình thực sự được phát hành kèm, chứ không phải bảng của chính nhà cung cấp.

Điều đáng lưu ý là cái giá phải trả cho chín điểm đó. Chính lượt chạy của Artificial Analysis đã tạo ra 240 triệu token đầu ra trên Chỉ số Thông minh, so với mức trung vị 94 triệu trên các mô hình mà họ theo dõi — cao hơn gấp đôi — và đặt chi phí đánh giá một tác vụ trên Chỉ số ở mức 3,74 đô la. Với mức 6 đô la cho mỗi triệu token đầu ra, độ dài dòng là khoản mục quyết định liệu một vòng lặp agentic có khả thi về chi phí hay không, nên mức tăng chín điểm đạt được bằng lượng đầu ra hơn gấp đôi trung vị là một sự đánh đổi thực sự chứ không phải một bản nâng cấp miễn phí. Phép đo tương tự cũng có nghĩa là các điểm số nổi bật không nên được đọc như một phán quyết duy nhất: trên cơ sở mỗi token, lợi thế của Grok 4.7 so với Grok 4.6 nhỏ hơn mức chênh lệch chỉ số gợi ý, và trên các đánh giá kiến thức tổng quát cấu thành nên Chỉ số Thông minh, nó gần như là cùng một mô hình với hóa đơn cao hơn đáng kể. Kết quả AA-Briefcase trong phần tiếp theo là ngoại lệ đối với điều đó, và đó là một ngoại lệ lớn.

The Artificial Analysis model page for Grok 4.6 (high) showing an Intelligence Index of 61 against a median of 34, pricing of $2.00 per 1M input and $6.00 per 1M output tokens, a 500K-token context window, and a released August 2026 label.

Bảng độc lập thứ hai: AA-Briefcase, và một nửa chi phí cho mỗi tác vụ đem lại được gì

Artificial Analysis đã công bố con số thứ ba cho Grok 4.7 cùng ngày hôm đó, và đây là con số nói về công việc tri thức chứ không phải lập trình. Trên AA-Briefcase — bảng xếp hạng riêng của họ dành cho công việc tri thức agentic dài hạn, được xây dựng từ bốn kịch bản dự án kéo dài nhiều tuần và 91 sản phẩm bàn giao được chấm điểm — Grok 4.7 ở mức nỗ lực xhigh đạt 1.657 Elo, đứng thứ tư trên bảng xếp hạng và chỉ xếp sau các mô hình Anthropic: Claude Fable 5.1 ở mức nỗ lực tối đa (1.678), Claude Opus 5 ở mức nỗ lực tối đa (1.673) và Claude Fable 5.1 ở xhigh (1.669). Nó kém Claude Opus 5 ở mức nỗ lực tối đa 16 Elo và, ở xhigh, cao hơn Claude Opus 5 ở xhigh 8 Elo (1.649). Hãy đọc thật chính xác thứ hạng này: "chỉ xếp sau các mô hình Anthropic" là cách diễn đạt mà chính Artificial Analysis đã dùng, và nó chính xác — nhưng thứ tư không phải thứ hai, và ba dòng phía trên nó đều thuộc cùng một nhà cung cấp.

Mức tăng so với thế hệ trước là bước nhảy đơn lẻ lớn nhất trong bản phát hành. So với Grok 4.6 ở high effort (1.546), Grok 4.7 ở xhigh tăng 111 Elo trên AA-Briefcase — gấp hơn năm mươi lần mức tăng hai điểm trên Intelligence Index. Artificial Analysis quy điều đó gần như hoàn toàn cho chất lượng phân tích: 1.994 Elo ở đó so với 1.690 của Grok 4.6, trong khi chất lượng trình bày giảm nhẹ, 1.499 so với 1.519. Đó là một dấu hiệu rõ ràng: mô hình suy luận tốt hơn về phân tích và định dạng sản phẩm bàn giao kém hơn một chút. Cùng hướng đó cũng xuất hiện trong các số liệu mà Artificial Analysis trích dẫn cho AA-Briefcase-Lite, kịch bản thẩm định công khai mà họ đã phát hành trên Hugging Face — chất lượng phân tích tăng từ 1.698 lên 1.994, chất lượng trình bày giảm từ 1.531 xuống 1.499. Hai lưu ý về so sánh đó. AA-Briefcase-Lite mang tính minh họa rõ ràng: trang phương pháp luận của chính Artificial Analysis nói rằng kịch bản công khai thứ năm “không được tính vào kết quả AA-Briefcase chính thức”. Và các số liệu chất lượng được trích dẫn cho nó khớp với các hàng xhigh được công bố trên bảng chính, nên hãy coi đoạn về Lite như một minh họa cho hướng đi chung thay vì một bảng điểm riêng.

Yếu tố chi phí là chỗ mà kết quả này thay đổi một quyết định. Thước đo chi phí mỗi tác vụ của AA-Briefcase là tổng chi phí chạy toàn bộ bài nộp chia cho 91 tác vụ của nó; chia các tổng số đã công bố của Artificial Analysis ra sẽ cho khoảng 9,30 USD mỗi tác vụ đối với Grok 4.7 ở xhigh, so với khoảng 17,79 USD đối với Claude Opus 5 ở max effort — khoảng một nửa, cho một khoảng cách 16 Elo. Tóm tắt của chính Artificial Analysis về kết quả là Grok 4.7 xếp “chỉ ngay sau Opus 5 với ~50% Cost per Task của nó.” Đó chính là sự đánh đổi mà phần còn lại của bài viết này mô tả, đi đến cùng một câu trả lời từ một hướng khác: Grok 4.7 không đánh bại frontier, mà cắt giá bên dưới nó. Hai lưu ý, cả hai đều trung thực. Hóa đơn token là thật — trên AA-Briefcase-Lite, Artificial Analysis ước tính chi phí API để tạo ra các deck ví dụ vào khoảng 8 USD đối với Grok 4.7 ở xhigh, so với khoảng 4,40 USD đối với Grok 4.6 ở xhigh, vì vậy mô hình kế nhiệm tốn nhiều hơn khoảng 80% so với mô hình mà nó thay thế cho cùng một công việc. Và các con số mỗi tác vụ được tính từ mức sử dụng token theo giá niêm yết với tỷ lệ cache hit đại diện, nên chúng thay đổi theo cách bạn dùng cache: chúng là một mô hình hóa đơn, không phải hóa đơn của bạn.

Grok 4.7 đứng ở đâu so với Grok 4.6 và các mô hình khác

• Giá mỗi 1 triệu token — Grok 4.7: $2 vào / $6 ra khi đầu vào dưới 200K, $4/$12 khi trên mức đó; Grok 4.6 giống hệt.

• Cửa sổ ngữ cảnh — 500.000 token cho cả hai.

• Thời điểm chốt kiến thức — tháng 5 năm 2026 đối với Grok 4.7 so với ngày 1 tháng 2 năm 2026 đối với Grok 4.6.

• Mức độ suy luận — low / medium / high / xhigh cho Grok 4.7 so với các mức đã công bố của Grok 4.6.

• Điểm số độc lập — 46 ở mức nỗ lực xhigh so với 44, trên Chỉ số Trí tuệ v4.3.2 của Artificial Analysis. Theo Artificial Analysis, như vậy là đủ để đưa SpaceXAI vào nhóm bốn phòng thí nghiệm hàng đầu của chỉ số này.

• Điểm lập trình độc lập — 56 so với 47 trên Artificial Analysis Coding Agent Index, mỗi mô hình trong harness gốc của chính nó. Đứng thứ tư trong số các mô hình dùng harness gốc, xếp trên GPT-5.6 Sol.

• Điểm số công việc tri thức độc lập — 1.657 Elo ở mức nỗ lực xhigh so với 1.546 của Grok 4.6 ở mức high, trên bảng AA-Briefcase của Artificial Analysis. Đứng thứ tư chung cuộc, sau ba mục của Anthropic và trên Claude Opus 5 ở xhigh.

• Chi phí cho mỗi tác vụ AA-Briefcase — khoảng 9,30 USD so với khoảng 17,79 USD đối với Claude Opus 5 ở mức nỗ lực tối đa, trên cùng một bảng. Chỉ bằng khoảng một nửa hóa đơn mỗi tác vụ cho khoảng cách 16 Elo.

• Số token đầu ra trên mỗi lần chạy Index — 240 triệu so với mức trung vị 94 triệu trên các mô hình mà Artificial Analysis theo dõi. Sự cải thiện này không hề miễn phí.

• Đánh giá coding của nhà cung cấp — CursorBench 4.0 46,3% so với 40,4%.

• Tốc độ phục vụ — một biến thể nhanh có tốc độ đầu ra gấp đôi với mức giá gấp đôi, so với dịch vụ tiêu chuẩn của Grok 4.6.

• An toàn — một ngăn xếp biện pháp bảo vệ mới, với mức 62.4% được báo cáo trên chuẩn đánh giá an toàn sinh học của LatchBio; Grok 4.6 đã ra mắt mà không có tuyên bố đó.

Và dàn thí sinh, trên cùng bảng điểm đó: Claude Fable 5.1 đạt 53, Claude Opus 5 đạt 51, GPT-5.6 Sol đạt 47, Kimi K3 đạt 44. Dự đoán của chính Musk — rằng Grok 4.7 "về cơ bản sẽ ngang bằng với Opus 5.0, chứ không phải 5.1" — giờ đã có một con số nằm bên dưới, và con số đó hạ cánh đúng vào chỗ ông nói: dưới mức tiên phong, chứ không phải trên. Khoảng cách đo được so với Claude Fable 5.1 là bảy điểm; khoảng cách về giá lại chạy theo hướng ngược lại, khi Claude Fable 5.1 được niêm yết ở mức 10/50 USD mỗi triệu token so với 2/6 USD của Grok 4.7 — gấp năm lần giá đầu vào và hơn tám lần giá đầu ra. Đó chính là sự đánh đổi thực sự mà một đội ngũ được yêu cầu thực hiện, và đó là đánh đổi giá-hiệu năng chứ không phải một thắng lợi về năng lực. AA-Briefcase là bảng duy nhất trong bài này có thứ tự thay đổi: ở đó Grok 4.7 tại xhigh xếp trên Claude Opus 5 tại xhigh, 1.657 so với 1.649, dù vẫn đứng sau Opus 5 ở mức nỗ lực tối đa với 1.673 và sau Claude Fable 5.1 với 1.678. Cũng đáng để đặt ba điểm số độc lập cạnh nhau trước khi vạch ra ranh giới, bởi chúng không chỉ về cùng một hướng: kém bảy điểm về trí tuệ tổng quát, vượt GPT-5.6 Sol trên chỉ số agent lập trình, hơn phiên bản tiền nhiệm 111 Elo về công việc tri thức, và phải trả giá cho những cải thiện đó bằng token đầu ra. Dữ kiện nào trong số đó quyết định lựa chọn của bạn phụ thuộc vào việc khối lượng công việc là một agent lập trình, một sản phẩm tri thức hay một prompt trò chuyện, và đó là cách phân tách hữu ích hơn một thứ hạng đơn lẻ.

Những gì các vụ rò rỉ nói đúng, và một điều mà chúng chưa giải quyết

Những hiện vật mà bài viết này theo dõi đến hết tháng Chín là có thật, và sự ra mắt biến chúng thành một phép thử xem loại bằng chứng đó đáng giá đến đâu. Đây là sổ cái.

• Pull request danh mục đã ghi đúng giá. Bản gửi ngày 21 tháng 9 thêm Grok 4.7 vào danh mục Zen và Go của một client agent mã nguồn mở — được mở lúc 05:36 UTC, bị bot tuân thủ tự động đóng lúc 07:46 UTC vì thiếu một mục trong mẫu pull request, chưa từng được hợp nhất — đã liệt kê mô hình ở mức giá đã công bố của Grok 4.6. Hóa ra nó chính xác hoàn toàn: $2/$6, không đổi. Nhưng cơ chế quan trọng hơn kết quả. Người đóng góp đã sao chép mức giá từ mô hình phía trên nó, và việc sao chép tình cờ lại là phỏng đoán đúng. Đó là may mắn, không phải thẩm quyền, và các tuyên bố về năng lực trong cùng pull request đó cũng chẳng mang thông tin gì. Một đề xuất có thể đúng mà vẫn không phải là bằng chứng.

• Dấu vết cấp phát là thật và không phải là bản phát hành. Dòng grok-4.7 trên trang hạn ngạch mô hình của Google Cloud Console, được các tracker cộng đồng báo cáo vào ngày 16–17 tháng 9, cùng slug bản dựng grok-4-7-0907 có ghi ngày xuất hiện trong một lỗi cấu hình Grok Bot, đều ám chỉ một mô hình đang được chuẩn bị. Cả hai đều không được ai gắn ngày, và cả hai đều không phải là thông báo. Điều chúng chứng tỏ là hạ tầng của bên thứ ba đang được chuẩn bị sẵn sàng — điều mà, nhìn lại, là chính xác và vẫn không phải là một lịch trình.

• Số lượng tham số chưa bao giờ được xác nhận. Khoảng 2,1 nghìn tỷ, cao hơn khoảng 40% so với Grok 4.6, được Musk nhắc lại vào ngày 2 tháng 9 — và vẫn vắng mặt trong mọi bảng thông số kỹ thuật khi ra mắt. Đây là trường hợp rõ ràng nhất trong toàn bộ câu chuyện về một con số đã lan truyền đủ rộng để được coi là sự thật dù chưa từng có nguồn từ nhà cung cấp.

A what-we-know-so-far card for Grok 4.7 listing six rows: Status not released — in supplemental training, Model ID none — docs top out at grok-4.6, Release date none — Musk says 3–4 weeks, Parameters ~2.1T (claim, not verified), Training data SpaceX engineering corpus (reported), Benchmarks none published, with a footer reading that all figures are Musk claims or community reports and no independent scores exist.

Thẻ ở trên ghi lại trạng thái trước khi ra mắt đúng như lần kiểm tra gần nhất của bài viết này: không có mã model, không có ngày phát hành, không có benchmark nào được công bố. Mọi dòng trên đó kể từ đó đều đã bị thông báo ngày 21 tháng 9 vượt qua, và nó được giữ lại ở đây vì khoảng cách giữa thẻ đó và mẫu máy đã xuất xưởng chính là câu chuyện thực sự của sáu tuần qua — một màn ra mắt tiên phong mà không đưa ra bất kỳ thông số kỹ thuật nào được xác nhận cho đến tận ngày nó được phát hành.

• Điểm lưu ý về mức độ sẵn sàng là câu hỏi còn bỏ ngỏ, và giờ nó đã có bằng chứng một phần. Musk nói vào giữa tháng 9 rằng Grok 4.7 "kết thúc sớm" ở các tác vụ có độ khó cao và việc kiểm tra câu trả lời của nó "chưa đủ nghiêm ngặt", điều mà ông quy cho mức phạt học tăng cường dành cho các phản hồi dài bị đặt quá cao, kèm thêm "có thể". Thông báo ra mắt không đề cập đến điều đó. Cách khắc phục mà xAI nêu là gián tiếp: học tăng cường lâu hơn, có trọng số hướng tới các tác vụ kéo dài nhiều giờ và khả năng tự kiểm chứng tốt hơn chính là thay đổi bạn sẽ thực hiện để xử lý việc kết thúc sớm. Kết quả Coding Agent Index là dấu hiệu bên ngoài đầu tiên cho thấy nó đã tạo ra thay đổi — 56 so với 47 của Grok 4.6, với Terminal-Bench 4.0 gần như tăng gấp đôi từ 18% lên 33%, đúng là phần cuối dải mang tính tầm xa, nhiều bước. Đây không phải câu trả lời rõ ràng, vì chính những điểm số trên cùng bộ khung kiểm thử đó cũng là những điểm đạt được mức tăng của chúng bằng nhiều token đầu ra hơn hẳn. Việc liệu mô hình còn bỏ dở các tác vụ dài, khó hay không thì bất kỳ ai có quyền truy cập API đều có thể kiểm chứng, và đó vẫn là điều đầu tiên đáng để kiểm thử.

• Tập dữ liệu SpaceX vẫn chưa được xác minh. Phần bổ sung dữ liệu huấn luyện được đồn đại — dữ liệu đo từ xa Starlink, nhật ký áp suất buồng đốt Raptor, dữ liệu đo từ xa khi Starship tái nhập khí quyển, các luồng thảo luận nội bộ trên Slack, phiếu yêu cầu Jira, kho GitHub và hồ sơ ERP — chỉ là thông tin do cộng đồng thuật lại những gì Musk nói, chứ không phải công bố chính thức từ công ty. Thông báo ra mắt mô tả một mô hình nền lớn hơn và một quá trình học tăng cường kéo dài hơn, nhưng không đề cập gì đến tập dữ liệu đó. Nếu nó thực sự nằm trong đó, sẽ chẳng có bảng thông số kỹ thuật nào xác nhận điều ấy; bằng chứng duy nhất sẽ là việc liệu mô hình có làm được điều gì đó trong công việc kỹ thuật thực tế mà các mô hình cùng loại không thể làm được hay không.

Dòng thời gian đã trượt bốn lần, và điều thị trường đã đúng.

Grok 4.7 đã được hứa hẹn công khai theo năm mốc thời gian riêng biệt, và bốn mốc đầu tiên đã hết hạn. Ngày 24–25 tháng 7, Musk nói khoảng bốn tuần, ngụ ý ngày 22 tháng 8. Ngày 12 tháng 8, ông sửa lại thành “3 đến 4 tuần”, ngụ ý ngày 2–9 tháng 9. Ngày 2 tháng 9, ông thu hẹp còn khoảng mười ngày, ám chỉ ngày 12 tháng 9. Ngày 11 tháng 9, ngày mốc đó hết hạn, ông nói “thêm vài ngày nữa”. Mốc thứ năm hoàn toàn không phải một khung thời gian — một dòng grok-4.7 trên trang hạn ngạch Google Cloud — và đó lại là mốc gần đúng nhất: mô hình đã được phát hành ngày 21 tháng 9, ngay sau ngày cuối cùng mà bất kỳ ai từng cam kết, và không có ngày nào gắn với artifact đi trước nó.

Các thị trường dự đoán đã dự đoán đúng về lịch trình và sai về mô hình. Hợp đồng “SpaceXAI phát hành Grok 4.7 trước ngày 18 tháng 9?” của Kalshi đã ngừng giao dịch lúc 03:59 UTC ngày 18 tháng 9, sau lần đổi chủ cuối cùng ở mức 65¢, với 1.785 hợp đồng được giao dịch và 1.211 hợp đồng đang mở. Mọi hợp đồng đã tất toán trên cả hai thị trường lớn — các cửa sổ ngày 14, 21, 28 và 31 tháng 8 cùng ngày 4, 8 và 11 tháng 9 của Kalshi, và các hợp đồng ngày 12 tháng 9 và ngày 14 tháng 9 của Polymarket — đều được giải quyết là Không. Hợp đồng “mô hình Grok tiếp theo (4.7 trở lên) được phát hành trước ngày 18 tháng 9?” của Polymarket đứng ở mức 64% vào ngày 15 tháng 9 sau khi dao động trong khoảng 42% đến 88,5% suốt mười một ngày. Thị trường đã đúng khi đi ngược lại những cú tăng vọt do tweet thúc đẩy, và đúng khi cho rằng cửa sổ ngày 18 tháng 9 sẽ khép lại mà không có gì. Nó đã sớm ba ngày về thời điểm ra mắt mô hình, điều mà một hợp đồng có ngày ấn định không thể định giá được.

Số lượt xem đáng được giữ lại như một ghi chú hiệu chuẩn. Bài đếm ngược ngày 2 tháng 9 của Musk, "sẽ ra mắt sau 10 ngày", thu hút 10,29 triệu lượt xem và đã sai. Bài rút lại lời nói ngày 11 tháng 9 của ông thu hút 2,05 triệu lượt xem và cũng sai. Các bài đăng lộ trình ngày 13–14 tháng 9 của ông thu hút khoảng 1,99 triệu lượt xem và là gần đúng nhất — ông mô tả Grok 4.8, một mô hình khoảng 2,5 nghìn tỷ tham số được huấn luyện trên một ngăn xếp C++ xây dựng từ đầu, là "một cải tiến đáng chú ý" so với Grok 4.7. Xuyên suốt toàn bộ diễn biến, mức độ tiếp cận phản ánh sự tự tin chứ không phản ánh độ chính xác.

Hai trong số các mục trong lộ trình giờ đây là những câu hỏi còn bỏ ngỏ thay vì những dự đoán. Grok 4.8 không có ID mô hình, không có thông tin giá, không có cửa sổ ngữ cảnh và không có mục xếp hạng benchmark nào ở bất kỳ đâu. Và cách diễn giải rằng Grok 4.7 đã âm thầm được “đổi thương hiệu” thành Grok 4.8 — cách hiểu của một tờ báo khi Musk gọi tên 4.8 trong lúc 4.7 bị muộn — đã được ngã ngũ theo hướng ngược lại: 4.7 ra mắt với tên 4.7, ở vị trí 46 trên Index so với 44 của Grok 4.6, đó là bước tăng của một bản kế nhiệm chứ không phải một lần tái ra mắt.

Điều này có ý nghĩa gì đối với các nhóm đang gọi Grok hôm nay

Bức tranh thực tế đã thay đổi vào ngày 21 tháng 9, và nó thay đổi theo cách ít kịch tính nhất có thể: một ID mô hình mới với cùng mức giá, cùng cửa sổ ngữ cảnh, mức tăng hai điểm trên Index, mức tăng chín điểm cho coding agent và mức tăng 111 điểm cho công việc tri thức. Hai thay đổi kể từ đó quan trọng hơn vẻ ngoài của chúng. Các ứng dụng Grok giờ đưa mô hình đến tay người dùng phổ thông thay vì chỉ cho nhà phát triển, và danh mục ở phía này giờ đã liệt kê nó — cùng nhau, những điều đó biến lớp định tuyến được mô tả ở cuối bài viết này từ một kế hoạch thành mặc định. Nếu mô hình chi phí của bạn được xây dựng dựa trên Grok 4.6 ở mức $2/$6, thì giá trên mỗi token vẫn đúng cho Grok 4.7 — nhưng số lượng token thì không. Lần chạy của chính Artificial Analysis đã đốt 240 triệu token đầu ra trên Intelligence Index, so với mức trung vị 94 triệu trên các mô hình mà họ theo dõi, nên cùng một yêu cầu có thể tốn hơn gấp đôi một cách đáng kể, ngay cả khi biểu giá là hệt nhau, đó là kiểu thay đổi không bao giờ xuất hiện trên bảng giá. Hãy định giá một vòng lặp agentic thực sự dựa trên token đầu ra, chứ không dựa trên mức giá mỗi triệu, trước khi bạn kết luận rằng bản phát hành này là miễn phí. Nếu lý do chuyển đổi của bạn là biên giới hiệu năng/giá mà nhà cung cấp đang tuyên bố, thì bằng chứng mạnh nhất cho điều đó giờ là AA-Briefcase chứ không phải bảng của nhà cung cấp: đứng thứ tư trên bảng đó với chi phí mỗi tác vụ chỉ bằng khoảng một nửa Claude Opus 5, đặt cạnh khoảng cách bảy điểm trên Intelligence Index so với Claude Fable 5.1 và khoảng cách giá gấp năm lần theo chiều ngược lại ở đầu vào và hơn gấp tám lần ở đầu ra. Và nếu khối lượng công việc của bạn cụ thể là một coding agent, thì lập luận còn mạnh hơn mức Index gợi ý: 56 trên Coding Agent Index trong harness Grok Build, xếp trên GPT-5.6 Sol, là một đẳng cấp khác so với 46 trên trí tuệ tổng quát. Điều nào trong số đó quan trọng hơn phụ thuộc hoàn toàn vào khối lượng công việc của bạn, và chưa ai ngoài SpaceXAI chạy Grok 4.7 trên khối lượng công việc của bạn.

Trên danh mục của OrcaRouter dòng Grok hiện có Grok 4.7 song hành cùng Grok 4.6, Grok 4.5 và Grok 4.3, được tính theo giá niêm yết của nhà cung cấp với mức chênh lệch 0% — 2 USD mỗi triệu token đầu vào và 6 USD mỗi triệu token đầu ra, đọc đầu vào từ bộ nhớ đệm ở mức 0,50 USD, và cũng bước lên 4 USD đầu vào / 12 USD đầu ra một khi một yêu cầu vượt 200.000 token đầu vào, đúng như SpaceXAI thu. Đó là những gì mà việc chuyển nguyên bảng giá không chỉnh sửa mang lại: đơn giá mỗi token trong mô hình chi phí của bạn chính là đơn giá mỗi token trên hóa đơn, và mọi mô hình trong dòng sản phẩm đều dùng chung một khóa, nên việc chuyển một khối lượng công việc từ Grok 4.6 sang Grok 4.7 chỉ là đổi một chuỗi ký tự chứ không phải ký thêm một hợp đồng thứ hai. Trang đó mang cửa sổ ngữ cảnh 500.000 token và cùng bề mặt tương thích OpenAI — Chat Completions và Responses — mà một tích hợp Grok 4.6 vốn đã nhắm tới.

The OrcaRouter model page for grok/grok-4.6 showing the New and Featured badges, $2.00 per 1M input and $6.00 per 1M output tokens, a 500K-token context window, text and image input, and the released August 12, 2026 label for Grok 4.6 by SpaceXAI.

Lớp định tuyến đó cũng là cách ít rủi ro để đánh giá một mô hình mà các con số độc lập của nó ra đời cùng ngày với con số của nhà cung cấp. Danh sách benchmark ở trên vẫn là của chính nhà cung cấp — các bài đánh giá do họ chọn, các mức effort do họ chọn, các cột so sánh do họ chọn — và chưa có phần nào trong đó được tái lập. Điều đã thay đổi là ba điểm số của Artificial Analysis không phải của nhà cung cấp, nên câu hỏi đã chuyển từ "liệu có cái nào trong số này là thật không" sang "kết quả nào trong số này giống với khối lượng công việc của tôi": con số 46 nói rằng trí tuệ tổng quát ở mức giữa bảng, con số 56 nói rằng đứng thứ tư trong số các coding agent dùng harness gốc, hay con số 1.657 nói rằng đứng thứ tư về công việc tri thức với chi phí mỗi tác vụ bằng một nửa so với frontier. Và con số quyết định khía cạnh kinh tế không phải là một benchmark mà chính là số token đầu ra mà một lần chạy tiêu thụ, thứ mà chỉ lưu lượng của chính bạn mới định giá được — 240 triệu mỗi lần chạy Index theo đo lường của Artificial Analysis so với mức trung vị 94 triệu, và khoảng 8 đô so với 4,40 đô cho mỗi bộ deck ví dụ trong kịch bản AA-Briefcase-Lite công khai của nó. Failover tự động cho phép bạn hướng lưu lượng thật vào mô hình mới và chuyển sang một nhà cung cấp vẫn phản hồi nếu hóa đơn token hoặc hành vi bỏ dở sớm hóa ra tệ hơn quảng cáo — đó là khác biệt giữa việc thử nghiệm một mô hình chưa được chứng minh và việc đặt cược cả một pipeline vào nó.

Cách nhận biết trước tiên (bước kiểm tra đã hoạt động)

Phần này từng là danh sách các tín hiệu cần theo dõi trong lúc chờ đợi. Thời gian chờ đã kết thúc, nên đây là danh sách tương tự được đối chiếu với những gì thực tế đã diễn ra.

• Danh sách model chính là sự xác nhận, và nó đã thay đổi. Trong sáu tuần, lời khuyên trong bài viết này là hãy theo dõi danh sách model của nhà cung cấp thay vì các dòng tweet, bởi vì khoảnh khắc Grok 4.7 trở thành sự thật thì danh sách sẽ có thêm một ID model kèm giá và cửa sổ ngữ cảnh. Đó là điều đã xảy ra: grok-4.7 giờ xuất hiện với cửa sổ ngữ cảnh 500K, mức giá $2/$6 cho dưới 200K đầu vào và $4/$12 cho trên mức đó, thời điểm kiến thức đến tháng 5 năm 2026 và bốn mức effort. Mọi khung thời gian của Musk, mọi lập luận về nhịp độ và mọi mốc thị trường đều không thể làm danh sách đó thay đổi; bản phát hành mới làm được điều đó.

• Các danh mục của bên thứ ba đi trước thông báo, và chúng là đề xuất chứ không phải triển khai. Pull request danh mục ngày 21 tháng 9 là phiên bản rõ ràng nhất của điều này cho đến nay, và cách nó kết thúc rất đáng chú ý: một người đóng góp đã chuẩn bị cho một mô hình, một bot đã đóng thay đổi vì thiếu một phần template hai giờ sau đó, và mô hình được phát hành hai ngày sau đó. Hãy đọc loại tạo tác đó như ý định kèm dấu thời gian. Nó thực sự nằm ở thượng nguồn so với thông báo, và nó không phải là tính sẵn có.

• Theo dõi danh mục mô hình OrcaRouter. Giờ đây nó đã chuyển. Trong suốt tháng Chín, lời khuyên trong bài này là một trang mô hình grok-4.7 trên orcarouter.ai sẽ là tín hiệu "bạn có thể gọi nó ngay hôm nay thông qua chúng tôi", vì một mô hình chỉ được liệt kê sau khi nhà cung cấp đã tích hợp nó. Danh mục giờ đây có Grok 4.7 ở mức giá của nhà cung cấp, không kèm phụ phí, nên phép kiểm tra mà người đọc được khuyên thực hiện đã có câu trả lời: nó có thể được định tuyến qua một API ngay hôm nay.

• Về mức độ hiển thị phía người tiêu dùng, ứng dụng Grok giờ đã đưa Grok 4.7 đến trước những người dùng sẽ không bao giờ mở bảng điều khiển API. Khi đọc lại vào ngày 2 tháng 10, dữ liệu bộ chọn mà grok.com phục vụ cho khách truy cập chưa đăng nhập vẫn nêu tên mô hình trên hai trong bốn mục — Expert ghi là "Suy nghĩ kỹ · Grok 4.7" và Heavy ghi là "Đội ngũ chuyên gia · Grok 4.7" — trong khi Fast, chế độ mặc định khi ứng dụng mở, chỉ được mô tả là "Phản hồi nhanh" và Auto là việc chọn giữa Fast và Expert. Bốn mục là Auto, Fast, Expert và Heavy. Build không nằm trong số đó: Grok Build là một sản phẩm terminal riêng trên trang riêng của nó, và quy kết Build của mô hình thực sự đến từ chính trang đó — trang này bảo khách truy cập "cài đặt ngay và bắt đầu xây dựng với Grok 4.7". Vậy nên tuyên bố lan truyền vào ngày 1 tháng 10 và được lặp lại vào ngày 2 tháng 10 — rằng Grok 4.7 giờ là mô hình cơ sở trên "Fast, Expert, Build và Heavy" — liệt kê một chế độ mà ứng dụng không phục vụ và bỏ sót chế độ mà nó mở theo mặc định, và đó là cách đọc của các trình theo dõi chứ không phải của nhà cung cấp, bởi vì SpaceXAI chưa đăng bất cứ điều gì về đợt triển khai này cả. Bước Grok 4.5 tương đương đã có một bài đăng blog riêng; lần này, một sản phẩm đã thay đổi âm thầm bên dưới một trang tin tức vốn không thay đổi.

Tình hình hiện tại

Grok 4.7 ra mắt ngày 21 tháng 9 năm 2026, với giá 2 USD mỗi triệu token đầu vào và 6 USD mỗi triệu token đầu ra, cửa sổ ngữ cảnh 500.000 token và mốc kiến thức tháng 5 năm 2026. Điều đã thay đổi trong mười một ngày kể từ đó là bản đồ khả dụng chứ không phải bản thân mô hình: Amazon Bedrock đã bổ sung nó vào ngày 28 tháng 9, nó bắt đầu được triển khai trong các ứng dụng web và di động của chính Grok vào ngày 1 tháng 10 và vẫn đang được triển khai ở đó vào ngày 2 tháng 10, và hiện nó đã được niêm yết trên OrcaRouter với mức giá của chính SpaceXAI, không có phụ phí. Các điểm số độc lập của nó đến cùng ngày với buổi ra mắt và vẫn không thống nhất: 46 ở mức nỗ lực xhigh trên Chỉ số Trí tuệ v4.3.2 của Artificial Analysis, cao hơn Grok 4.6 hai điểm và đủ để đưa SpaceXAI vào nhóm bốn phòng thí nghiệm hàng đầu của chỉ số này; 56 trên Chỉ số Tác tử Lập trình trong harness Grok Build, cao hơn Grok 4.6 chín điểm và đứng thứ tư trong số các mô hình native-harness, trên GPT-5.6 Sol; và 1.657 Elo trên AA-Briefcase, cao hơn Grok 4.6 111 điểm và đứng thứ tư trên bảng xếp hạng sau ba mục của Anthropic, với chi phí mỗi tác vụ bằng khoảng một nửa Claude Opus 5. Mọi benchmark trong bảng ra mắt của nhà cung cấp đều là của chính nhà cung cấp và chưa được tái lập, với một ngoại lệ: bảng AA-Briefcase của chính Artificial Analysis công bố đúng con số 1.657 đó, và nhà cung cấp kể từ đó đã điều chỉnh dòng Terminal-Bench của mình từ 38,0% xuống 37,6%. Những cải thiện về lập trình và công việc tri thức là thật, và chúng tiêu tốn token đầu ra — 240 triệu mỗi lần chạy Index so với mức trung vị 94 triệu, và khoảng 8 USD so với 4,40 USD cho mỗi bộ slide ví dụ trong kịch bản thẩm định công khai của AA — đó là con số quyết định liệu bản phát hành này có rẻ hay không. Con số ~2,1 nghìn tỷ tham số được lan truyền trong hai tháng vẫn không có nguồn từ nhà cung cấp, và lưu ý về việc bỏ dở quá sớm chưa bao giờ được giải đáp trực tiếp, mặc dù bước nhảy Terminal-Bench từ 18% lên 33% trong harness Grok Build là bằng chứng bên ngoài đầu tiên cho thấy bản sửa đã có tác dụng. Cả hai tín hiệu mà bài viết này bảo độc giả theo dõi đều đã xuất hiện: danh sách mô hình của nhà cung cấp đã có thêm grok-4.7 kèm giá và cửa sổ ngữ cảnh, và danh mục ở đây liệt kê nó với cùng mức giá. Vậy nước đi thắng lợi đơn giản hơn so với tháng Chín — Grok 4.6 ở mức 2/6 USD là câu trả lời, và Grok 4.7 ở mức 2/6 USD là câu trả lời tương tự với một model ID mới hơn, điểm lập trình và công việc tri thức tốt hơn, hóa đơn token lớn hơn nhiều, và một ứng dụng tiêu dùng nêu tên nó ở hai chế độ khó nhất.

So sánh trong bài viết này3

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày