Grok 4.7 对比 Qwen 3.8 Max：价格相同，仅差一分，形态相反

两款闭源旗舰模型，输入均为每百万 token 2 美元、输出均为每百万 token 6 美元，在同一项独立基准测试中彼此得分相差不到一分，发布时间相隔十九天。Grok 4.7于 2026 年 9 月 21 日由 SpaceXAI 推出；Qwen 3.8 Max由该厂商于 2026 年 8 月 3 日发布，并于 2026 年 9 月 2 日更新。在当前的 Artificial Analysis Intelligence Index（版本 v4.3.2）上，Grok 4.7 得 46 分，Qwen 3.8 Max 得 45 分。在价格和测得能力上，这两款模型是同一次购买。而在其他一切方面——上下文、模态、服务速度、开放程度，以及各家厂商选择优化的方向——它们可谓天差地别，而这正是这次对比值得一做而非跳过的原因。

首先，时间线，因为 Qwen 3.8 Max 有两个日期

这一点会让许多报道出错，所以有必要在开头就把它说清楚。Qwen 3.8 Max 于 2026 年 8 月 3 日发布，是阿里巴巴规模最大、能力最强的模型，基于 Qwen 3.5 视觉语言架构打造，采用稀疏专家混合设计，据报总参数量达 2.4 万亿，每个 token 激活 950 亿参数。2026 年 9 月 2 日，阿里巴巴又推出了一个更新版本——0902 修订版，正是这个版本承载着当前的模型 ID，也是 Artificial Analysis 将其页面日期标注所依据的版本。如果你看到 Qwen 3.8 Max 同时有 8 月和 9 月两个日期，原因就在于此：一个是发布日，另一个则是如今大多数人实际所指的是修订版。

Grok 4.7 有着一段更清爽的历史，而其背后则是一段更混乱的历史。SpaceXAI 于 2026 年 9 月 21 日发布它，此前这次发布已屡次推迟——马斯克曾先后指向 8 月底、9 月初和 9 月中旬的时间窗口，而该模型直到之后才真正发布。这次发布本身范围很窄：基础模型比 Grok 4.6 更大，强化学习运行时间更长，面向多小时任务，并且 Grok 4.6 自 8 月 12 日以来一直沿用的 2 美元/6 美元费率卡没有变化。

每个供应商针对什么进行了优化

把这两则发布公告成对来读，其中的设计赌注几乎截然对立。

SpaceXAI 针对智能体执行进行了优化。Grok 4.7 厂商报告的数据集中在终端与代码仓库任务上：Terminal-Bench 4.0 为 38.0%，而 Grok 4.6 为 20.3%；CursorBench 4.0 为 46.3%；DeepSWE v1.1 在高推理强度下为 71.0%；EEBench 为 64.0%。该公司对此次发布的官方描述将 Grok Bot 环境中的自我验证与长上下文处理列为目标。Grok 4.7 提供 500,000 token 的上下文窗口，支持文本和图像输入，输出文本，并开放从 low 到 xhigh 的推理强度。这是一款为完成任务而打造的模型。

阿里巴巴为覆盖面做了优化。Qwen 3.8 Max 提供约 984,000 个 token 的上下文窗口——实际上相当于一百万——而其公布的强项是在单一领域中的广度而非深度：Terminal Bench 2.1 得分 86.6，SWE-bench Pro 为 67.7，PaperBench 为 93.0，GPQA Diamond 为 92.6，MMMU-Pro 为 82.3，OSWorld-Verified 为 86.1。它接受文本、图像和视频输入并返回文本，支持推理努力程度等级，默认值为 xhigh，而其公布数据中较弱的一项是 Humanity's Last Exam，为 43.6。它是一款为处理你交给它的任何任务而打造的模型。

那段文字里的每一个数字都是厂商自行报告的。两组数据都未经独立复现，而且这两组数据本来也无法直接比较——Terminal-Bench 2.1 和 Terminal-Bench 4.0 是不同的基准测试，因此 Qwen 的 86.6 和 Grok 的 38.0 绝不能被并列放在一起。

• 独立综合评分 — 在 AA Intelligence Index v4.3.2 上，Grok 4.7 得 46 分，而 Qwen 3.8 Max 在同一版本上得 45 分。统计上不相上下。

• 每百万 token 价格——两者均为输入 $2.00 / 输出 $6.00。Qwen 的缓存折扣标注为 88%，折合混合费率为每百万 $1.18；Grok 4.7 的缓存条款未以相同基准公布。

• 上下文窗口——Grok 4.7 为 500,000 个 token，而 Qwen 3.8 Max 约为 984,000 个。Qwen 以近两倍的优势胜出，这也是两者之间最大的单项规格差异。

• 输入模态——Grok 4.7 的文本与图像，对比 Qwen 3.8 Max 的文本、图像与视频。

• 权重——两者均为专有。两个模型都无法下载，这彻底消除了此类比较中通常涉及的开放权重论点。

• 参数 — Grok 4.7 在任何 SpaceXAI 规格表中均未披露（约 2.1T 这个数字是马斯克的说法），而 Qwen 3.8 Max 据报道总参数量为 2.4T、激活参数量为 95B，阿里巴巴也尚未在规格表中确认。

• 服务速度 — 据 Artificial Analysis 数据，Qwen 3.8 Max 的输出速度为每秒 38.8 个 token，首 token 耗时 3.08 秒；SpaceXAI 将 Grok 4.7 定位为速度约为同类模型的两倍，此数据由厂商自行报告，目前尚无独立发布的吞吐量数据。

上下文差异才是真正的决定因素

当价格与能力旗鼓相当时，胜负取决于其他所有差异，而在这里就是上下文。将窗口从 500,000 翻倍到约 984,000 个 token 并不是规格表上的小亮点——而是将代码库分块处理与将其完整容纳之间的天壤之别。

Qwen 3.8 Max 的更长的窗口附带了一个对买家而言很重要的、有据可查的注意事项：阿里巴巴宣布将于 2026 年 8 月 10 日那一周发布的开放权重版本仅支持文本，并未包含完整的百万 token 上下文。这并不影响本次对比所涉及的托管端点，但如果你原本打算围绕开放版本做规划，这一点值得了解。

在 Grok 这一侧还有第二个需要考虑的问题。Grok 系列历来在 200,000 个输入 token 处设置了一道价格断崖：一旦请求越过该阈值，整个请求就会按双倍费率重新计价——输入 $4，输出 $12。在 500,000 token 的窗口下，该阈值完全落在模型的工作范围之内。在将长上下文任务路由到 Grok 4.7 之前，请确认所部署模型的当前价目表，因为大窗口与重新计价断崖之间的相互作用，正是长上下文账单容易出问题的地方。

每项工作一个月的成本是多少

由于标称费率完全相同，成本比较就必须依据 token 行为，而不是依据价目表，而正是在这一点上，两个模型出现了可测量的差异。

Artificial Analysis 在运行其 Intelligence Index 时测得 Grok 4.7 生成了 2.4 亿个输出 token，而榜单上各模型的输出中位数为 9200 万个——它是一个啰嗦的推理模型。Qwen 3.8 Max 在同一指数上生成了 1.9 亿个输出 token，总评估成本为 4,934.79 美元，实测速度为每秒 38.8 个 token。两者的冗长程度都远高于中位数，而 Grok 4.7 是两者中更啰嗦的那个。

所以，在每百万输出同为 $6 的情况下，每项任务产生更多 token 的模型，每项任务成本更高。已公布的冗长度数据表明，对于同等的索引工作，Grok 4.7 会消耗更多输出 token，这意味着价格上的持平实际上让 Qwen 3.8 Max 在每任务成本上略占优势——但这一优势被 Grok 4.7 声称的速度优势所抵消，后者缩短了实际耗时，因而也降低了等待智能体运行的人力成本。这两项抵消因素都不会出现在价目表上，而且都值得在你自己的流量上实测，而不是凭空假设。

唯一没有争议的不对称之处在于缓存。Qwen 3.8 Max 公布了 88% 的缓存折扣，以及在 7:2:1 的缓存命中/输入/输出配比下 1.18 美元的混合费率。对于具有大型稳定前缀的工作负载——系统提示词、代码库头部、文档集——真正的节省就来自这一折扣，因此在承诺用量之前，值得先看看 Grok 4.7 的缓存条款与之相比如何。

当数字拒绝替你做出选择时，选择

在同一评分体系下，46分和45分，价格还相同，这已经是本博客可能发布的最接近真正平局的结果了。这意味着，决定应当基于两款型号真正存在差异的维度来做出，而这样的维度共有四个。

如果你的工作是智能体编程和终端执行，如果长时间运行时的挂钟速度比上下文余量更重要，如果你想通过按请求调节的推理旋钮让简单流量保持低成本，那就选 Grok 4.7。如果你经常处理超过五十万个 token 的输入，如果视频输入在你的路线图上，如果你想为前缀密集型工作负载获得 88% 的缓存折扣，或者你想要一个其供应商发布广泛评测矩阵、而非仅集中于单一领域的模型，那就选 Qwen 3.8 Max。

如果诚实的答案是“两者都需要一些”，那才是正常的答案，而这正是这对组合所为之打造的场景。Qwen 3.8 Max 已上线 OrcaRouter，采用阿里巴巴的标价，而 OrcaRouter 以 0% 加价率透传供应商标价，因此上面的 $2/$6 就是你实际支付的价格，供应商调价当天即在此生效，而无需等到续约时。一个 API 密钥即可覆盖 Qwen 3.8 Max 以及200 多个其他模型，这意味着上下文决策变成了按请求的路由规则，而非平台层面的承诺：把超长输入交给 984k 窗口，其余一切则留在对该任务而言最快、最便宜的那个端点上，并在供应商服务质量下降时自动故障转移。当某个任务确实需要两种形态时——先进行长上下文读取，再执行智能体执行流程——路由 DSL 可将模型组合成单次调用，而不必强迫你二选一。

有一点值得澄清：由于这两个模型都不是开源的，本次比较完全不涉及可下载的权重。两者都是托管式端点，而且两者都无法选择自托管。

值得记住的那个数字

四十六比四十五，不是选择模型的理由，也不应该是。决定这场比较的是上下文窗口——500,000 个 token 对大约 984,000 个——以及每家厂商所选择的形态：Grok 4.7 专为快速完成高难度智能体任务而优化，Qwen 3.8 Max 则专为处理你交给它的任何东西而优化。相同的价格，相同的实测能力，不同的任务。这是一个路由决策，而这类决策应该花一个下午去测试，而不是花一个季度去采购。