Grok 4.7 对比 Gemini 3.1 Pro：排行榜变了，模型没变

2026年2月19日，Artificial Analysis 发表了一篇题为《Gemini 3.1 Pro Preview：AI 领域的新领军者》的文章。它在十项评测中六项领先，并以四分的优势领先 Claude Opus 4.6。而今天再打开同一个模型的页面，那个数字变成了30，在200个模型中位列第69。厂商什么都没改。改变的是那把尺子：Artificial Analysis 于2026年9月19日将其 Intelligence Index 修订至 v4.3.2，依据一套不同的评测集为目录中的每一个模型重新打分，于是二月的领先者到了九月成了中游选手，而模型本身却原封不动地停留在预览状态。这正是与 Grok 4.7 对比的大背景——该模型由厂商于2026年9月21日发布——也正是为什么这场较量与其说关乎哪个模型更聪明，不如说关乎这两者之中，哪一个你还能指望它下个月依然是同一个东西。

这些实际上分别是什么

Gemini 3.1 Pro 是 Google 最新的 Pro 级模型，但它从未达到正式可用（GA）状态。它以 gemini-3.1-pro-preview 的名义于 2026 年 2 月 19 日发布，而 Google 的弃用表至今仍将其列为“未公布关停日期”——这个预览版如今已在预览状态下停留了七个月，而 Google 在其下方推出了一整条 Flash 产品阶梯：5 月的 3.5 Flash、7 月的 3.6、8 月的 3.7、9 月的 3.8。没有任何比 Gemini 3 Pro 更新的 GA 版 Pro 模型。它具备 1,048,576 token 的输入窗口和 65,536 token 的输出上限，可接收文本、图像、视频、音频和 PDF 输入并输出文本，还提供低、中、高三档思考级别控制，没有预算参数，也没有 minimal 设置。权重闭源。

Grok 4.7 才发布一天，同样是闭源权重。它拥有 50 万 token 的上下文——只有 Gemini 的一半——并且只接受文本和图像输入，因此完全无法处理视频或音频，这是本次对比中最显著的能力差异。在提示词 token 低于 20 万时，其标价为每百万输入 token 2.00 美元、每百万输出 token 6.00 美元；超过这一门槛则升至 4.00 美元和 12.00 美元；缓存读取为 0.50 美元和 1.00 美元。xAI 还列出了一个更快的变体，其输出速度约为原来的两倍，价格也约为原来的两倍。在此处查阅的文档中，并未公布它的最大输出数值。

尺子移动了。这就是故事。

两个模型目前均在 Artificial Analysis Intelligence Index v4.3.2 上评分，该指数用 Terminal-Bench 4.0 替换了 Terminal-Bench 2.1，用 AutomationBench-AA 替换了 tau3-Banking，并重新锚定了 GDPval-AA Elo 量表。该指数上线时，每个模型的数值都发生了变化。Gemini 3.1 Pro 的变动比大多数模型更大，因为其 2 月的优势集中在那些新指数要么已停用、要么已重新调整权重的评估上。今天将这两列并排来看：

• 综合 — Grok 4.7（xhigh）：在 Artificial Analysis 智能指数 v4.3.2 上得分 46。Gemini 3.1 Pro Preview：在同一版本上得分 30，在 200 个模型中排名第 69。

• 长上下文 — Grok 4.7：500k 窗口，AA-LCR v1.1 达 77%。Gemini 3.1 Pro：1M 窗口——是前者的两倍——而 65K 的输出上限，大约只有长上下文智能体会话通常所需的一半。

• 输入模态 — Grok 4.7：文本和图像。Gemini 3.1 Pro：文本、图像、视频、音频和 PDF。差距悬殊，而且这不是基准测试层面的差距——而是能力上的差距。

• 速度 — Grok 4.7：尚无公开测量数据。Gemini 3.1 Pro：每秒输出 124.4 个 token，在 200 个模型中排名第 39，通过 Google AI Studio 的首个 token 耗时为 63.62 秒。

• 价格，标准档 — Grok 4.7：每 100 万输入 $2.00 / 输出 $6.00。Gemini 3.1 Pro：输入 $2.00 / 输出 $12.00。输入相同，输出翻倍。

• 价格：长上下文档位 — Grok 4.7：在 200k 提示词 token 时翻倍至 $4.00 / $12.00。Gemini 3.1 Pro：在同一 200k 界限处升至 $4.00 / $18.00。相同的输入，输出多出 50%。

• 成熟度——Grok 4.7：发布仅一天，厂商基准测试大多未获复现。Gemini 3.1 Pro：上市七个月，但仍为预览版本，既无正式版（GA）承诺，也无停用日期。

预览问题现在确实是个实实在在的问题了。

如果一切顺利，为期七个月的预览本会是件怪事，而非风险。但确实出了问题。自2026年9月18日起，用户开始报告 Gemini 3.1 Pro 已从 AI Studio 的模型选择器中消失；截至本文撰写时，Google 员工没有作出回应，没有弃用通知，也没有说明原因——这是一起尚未解决的可用性事件，而非已确认的退役。把这一点与公告历史放在一起看：Google 在2026年5月的 I/O 上表示，Gemini 3.5 Pro“将于下个月推出”，而8月底的媒体报道称，该模型已被放弃，因为内部候选模型“没有比 Flash 系列好足够多”。Google 自己的 Pro 页面仍在宣传“3.5 Pro 即将推出”，这就是同一屏上的矛盾。无论结果如何，实际解读是：Gemini 3.1 Pro 是一个没有 GA 日期、没有指定继任者、且当前可用性存疑的预览端点。

Grok 4.7 的风险恰恰相反，而且性质上更小。它问世才一天，因此相关数据还很单薄——Artificial Analysis 尚未发布任何速度或延迟测量结果，xAI 为其自有的基准测试套件也未经过独立复现。毋庸置疑的是，该模型已正式开放使用、有定价、有文档，且身份稳定。一个身份稳定而数据未经证实的模型，比一个数据已公布但可用性不明的模型，要容易作为基础来构建得多。

分裂的代价，在实践中

假设你正在为文档流水线做选择。按 10 万输入 token 和 8k 输出计算，Grok 4.7 的输入费用为 $0.20，输出为 $0.048——约合 0.25 美元。Gemini 3.1 Pro 的输入费用为 $0.20，输出为 $0.096——约合 0.30 美元。两者相差在 20% 以内，而且如果你的文档是扫描件、PDF、音频或视频，Gemini 是两者中唯一能读取它们的。这不是基准测试上的论证；对于那种工作负载，这直接终结了比较。

现在假设你要为一个长上下文智能体做选择。在 30 万输入、8 千输出的情况下，Grok 4.7 的输入费用为 $1.20，输出费用为 $0.096，总计约 $1.30。Gemini 3.1 Pro 的输入费用为 $1.20，输出费用为 $0.144，总计约 $1.35。实际效果几乎完全相同——而在这里，Gemini 的 1M 窗口和 65K 输出上限就成了决定胜负的约束条件，因为 65K 的上限正是长时间智能体运行会崩掉的地方。在这场对比中，两个模型都不是那个廉价选项，而按前沿标准来看，二者也都算不上昂贵。

绕过移动目标

OrcaRouter 提供 Gemini 3.1 Pro，并在其独立的模型页面上按提供商费率列出——输入 $2.00、输出 $12.00，具备 1M 上下文窗口和 65k 最大输出——因为我们以 0% 的加价率透传提供商目录价格。在这类情况下，这可不是一句营销话术：Google 有一个定价期限尚未确定的预览构建版本，其可用性在九月曾出现波动，而路由器真正有用的地方，正是让集成保持稳定，同时其背后的东西却在不断变化。自动故障转移意味着一个停止响应的预览端点会变成一次路由事件，而不是一次服务中断，而路由 DSL 让你可以在单次调用中把多模态模型与纯文本模型组合起来——这正是这一组合所暗示的形态：Gemini 读取视频，Grok 基于其转录文本进行推理。截至本文撰写时，Grok 4.7 尚未收录于 OrcaRouter 目录；如今要调用它，需通过 xAI 自家的 API 以及搭载它的第三方平台。

值得构建的模式：让 Gemini 3.1 Pro 继续用于任何必须摄取视频、音频或 PDF 的场景，并将其预览状态视为一种需要绕开的运营风险，而不是回避它的理由。把 Grok 4.7 用在文本与图像任务上——在这些任务中，它更低的输出价格和更高的综合得分能够发挥作用，而且你今天集成的模型，六个月后仍会是你继续调用的模型。唯一不该做的是，把第六十九名的排名解读为对该模型的裁决——它是对基准测试修订的裁决，而这次将 Gemini 3.1 Pro 降级的修订，也同样将数十个 Google 从未触碰过的模型降级了。

呼叫

在当前的指数上，Grok 4.7 领先 Gemini 3.1 Pro 十六分，而在输出价格方面，它在标准层级上的成本只有一半，在长上下文层级上便宜三分之一。如果你的工作负载是文本和图像，这就足以据此做出决定。如果你的工作负载是视频、音频或扫描文档，Gemini 3.1 Pro 是两者中唯一的候选，比较也就到此为止——你买的是一项能力，而不是一个分数。两者都应附带的一个警示与性能无关，而关乎来源：一个是已有七个月历史的预览版，没有 GA 日期，背后还有一次九月的可用性事故；另一个才发布一天，只有一个头条数字，其他任何内容都没有独立复现。两者都不是已成定论的选择。两者都值得先路由，而不是直接押注。