Muse Wonder 与 Grok 4.7 对比：每 Token 成本翻倍、而每任务成本仅为 1.2 倍的模型

在价目表上，Muse Wonder 看起来与 Grok 4.7 处在不同的价格档位。Meta 对 Muse Wonder 的收费是每百万输入 token 4.00 美元、每百万输出 token 20.00 美元；该模型于 2026 年 10 月 12 日发布。xAI 对 Grok 4.7 收费为 2.00 美元和 6.00 美元；该模型于 2026 年 9 月 21 日发布。这意味着输入价格是两倍，输出价格则是三倍多。随后，Artificial Analysis 将两者放入同一测试框架中运行，并报告完成一项智能任务的价格：Muse Wonder（max）约为 4.52 美元，Grok 4.7（xhigh）约为 3.74 美元。3.3 倍的价目表差距在结账时缩小到 1.2 倍，因为 Grok 4.7 是榜单上输出最冗长的模型，而 Muse Wonder 只排在第二。

费率卡差距的去向

两家实验室对 token 的定价截然不同，模型消耗 token 的方式也截然不同，而且方向相反。一个数字——索引评估期间消耗的输出 token——几乎解释了这一切：

• 指数运行时的输出 token ——Grok 4.7 约 2.4 亿；Muse Wonder 约 1.3 亿，而榜单中位数接近 8200 万

• 标价 — Grok 4.7 每百万 $2.00 输入 / $0.50 缓存 / $6.00 输出；Muse Wonder 每百万 $4.00 输入 / $0.20 缓存 / $20.00 输出

• 每个索引任务的实测成本 — Grok 4.7 约 3.74 美元；Muse Wonder 约 4.52 美元

• 智能指数 — Muse Wonder（max）52，位列 219 个中的第九；Grok 4.7（xhigh）46

Grok 4.7 的啰嗦，正是它那张看似便宜的价目表无法带来便宜任务的原因。在每次评估输出 2.4 亿个 token 的情况下，一次 Grok 4.7 调用即使表达的内容与一次 Muse Wonder 调用相同，也需要大约两倍的 token 才能说完，而每个 token 上省下的钱又都花在了购买更多 token 上。Muse Wonder 每百万输出 token 20.00 美元的价格几乎是 Grok 的三倍，但它输出的 token 数只有大约一半——两种效应几乎相互抵消，最终剩下的就是为六个指数点支付的 1.2 倍溢价。

这种重新表述比表面看起来更重要，因为它颠覆了通常的建议。如果你按价目表来为模型定价，你会得出 Grok 4.7 是经济之选、Muse Wonder 是奢侈之选的结论；如果你按已完成的工作来定价，两者之间的差距在 22% 以内。

缓存行就是那个不会取消的。

有一行打破了规律，而且打破的方式对 Meta 有利。Grok 4.7 的缓存输入价格为每百万 $0.50，与 Grok 4.6 持平，是 GPT-6.1 Sol 的 $0.10 的五倍。Muse Wonder 的价格是 $0.20。在一条重度依赖提示缓存的流水线上——每次调用都重发一段很长的系统提示词和一个固定语料库——这意味着在请求中占比最大的 token 类别上拥有 2.5 倍的优势，而且这一优势不会被冗长程度吃掉，因为缓存输入 token 并不是输出 token。

另一个无法相互抵消的差异是价格曲线的形状，而在这方面 Meta 完胜：

• 上下文窗口 — Muse Wonder 1,048,576 个词元；Grok 4.7 500,000 个词元

• 长提示词重新定价 — Muse Wonder 无；Grok 4.7 会在提示词达到 200,000 个 token 后，将整个请求重新定价为输入 $4.00、输出 $12.00

• 单次响应最大输出量 —— Muse Wonder 943,718 tokens；Grok 4.7 450,000，根据厂商自己的列表

• 投入等级阶梯——Muse Wonder 从最低到最高，默认中等；Grok 4.7 为低、中、高、极高，默认高，其中极高为本代新增

Grok 4.7 的 200,000 token 分档是这两家实验室所售产品中最陡峭的断崖。一个 199,000 token 的提示和一个 201,000 token 的提示，都会按双倍输入费率和双倍输出费率对整次请求计费——而不只是对超出的部分。Muse Wonder 对 400,000 token 的提示收取的费用，与对 400 token 的提示完全相同，每 token 费率一模一样。对于经常携带大型固定上下文的检索类工作负载来说，仅这一行就可能压过上面所有内容。

六个指数点来自哪里

六分的综合差距是真实差距，而且它不会均匀地分布。Artificial Analysis 在其指数的同一修订版本上对这两个模型进行评分；这些是它的测量结果，而不是任何厂商的说法。

• AA-Briefcase —— Grok 4.7 在 xhigh 下达到 1,657 Elo，位列排行榜第四；Muse Wonder 未在同一测试框架上发布

• GDPval-AA — Grok 4.7 达 1,715 Elo，在非 Anthropic 模型中创下新高；Muse Wonder 未公布

• 在其自有测试框架上进行代码生成——Muse Wonder 无法直接比较；Grok 4.7 在 SciCode 上为 57.4%，在 Humanity's Last Exam 上为 43.1%

• 每项索引任务成本 — Grok 4.7 $3.74；Muse Wonder $4.52

Grok 4.7 的特点是全面而非偏科：它在推理、长上下文回忆和专业文档工作方面都表现称职，但在这几项上均未领先；它确实很快，达到每秒 82.6 个 token，而 Muse Wonder 在同一测试框架上尚未公布这一数据。Muse Wonder 的形态则相反——综合得分更高，速度数据未公布，而且其厂商表格显示其优势集中在终端和长时程软件工作。

那张厂商表格是 Meta 自己的，尚未被任何人复现。其中 Muse Wonder 的 Terminal-Bench 4.0-AA 分数为 85.6，同一列中对应的是 Claude Fable 5.1 的 79.0 和 GPT-6 Astra 的 81.4；Grok 4.7 在独立测量下得到的 Terminal-Bench 4.0 结果为 0.258，虽然基准名称相同，但这是不同的测试框架，也是不同的数字。不要把那两个放在同一句话里作比较——Meta 的数字是关于其自家模型的厂商宣称，而 Artificial Analysis 的数字是对 xAI 模型的测量，两者的测试框架并不相同。

其中一个有对应的订阅版本。

Meta 将 Muse Wonder 以两个检查点的形式发布。muse-wonder-1.0 就是 Meta Model API 上的那个版本，定价为 $4/$20。muse-wonder-full-1.0 在独立指数上得分 56——比 Grok 4.7 高出十分——而且完全无法按 token 购买；它随 Muse Code 订阅提供，Power Usage 为每月 50 美元，Maximum Usage 为每月 200 美元。Grok 4.7 没有对应的拆分。你所见即你所购，一张价目表，一个端点。

对于一个正在权衡每月 200 美元订阅费与按 token 计费的团队来说，这才是这项比较中真正困难的部分。Full checkpoint 对 Grok 4.7 的 10 分领先优势，大于 API 模型的 6 分，而固定订阅与按量计费率是截然不同的购买方式——它彻底消除了冗长惩罚，而正是这一惩罚最初让这组对比如此接近。

路由侧，这里是非对称的

这两者都是 Meta 和 xAI 自家的模型，通过它们自己的 API 出售，其中还有一个也是我们提供的路由。Grok 4.7 以 grok/grok-4.7 的名称出现在 OrcaRouter 目录中，日期为 2026-09-21，按 xAI 自己的每百万 token 输入 $2.00、缓存读取 $0.50、输出 $6.00 定价，500,000-token 窗口、450,000-token 输出上限和 200,000-token 重新定价规则均保持不变。直通定价意味着 xAI 费率卡上的变动当天就会体现在我们的费率卡上，并且同一个密钥可以访问目录中的其余部分。

Muse Wonder 不在我们的线路之中。meta/muse-wonder在我们的目录里没有条目，本页也不会暗示有——Meta 的 Model API 和 Muse Code 才是它运行的地方。我们从 Meta Superintelligence Labs 确实提供的是meta/muse-spark-1.2——该系列所源自的更大检查点，输入每百万 $1.25、输出每百万 $4.25，窗口为 1,048,576 token，缓存读取 $0.15。

这种不对称其实正是进行这项比较的实际论据。1.2× 成本比和六分差距都是基准测试套件上的平均值；在你的流量上，这一比率会有所不同，而不实际运行，你就无从知道会差多少。Grok 4.7 只差改一个字符串。当 Muse Wonder 出现在我们路由的提供商中时，同样只需改一个字符串——而在那之前，诚实的立场是：这个配对中有一半你可以低成本测试，另一半则完全无法测试。

在两者之间选择

• 凡是已经满意其整体形态的场景，就用 Grok 4.7：500,000 token 的窗口足以覆盖大多数检索工作，450,000 token 的输出上限相当宽裕，努力档位最高可到 xhigh，而且综合评分足够接近，1.2× 很少能起决定作用。

• 若是专门做推理密集型专业文档工作，就选 Grok 4.7。它的 GDPval-AA Elo 是榜单上非 Anthropic 模型中最高的读数，而正是这一子分数，能预示其在合同审查、财务分析和长篇起草上的表现。

• 当提示词规模大且固定时的 Muse Wonder。一个没有重新定价步骤、缓存读取为 $0.20 的 1M 窗口，与一个会在 200,000 tokens 时将整个请求费用翻倍的 500K 窗口相比，是实质性不同的交易；而这种差异会在循环中的每一次调用上不断累积。

• 当输出必须极为庞大时，Muse Wonder 便派上用场。943,718 个 token 对 450,000 个 token，正是直接生成完整产物与将其分页输出之间的差别。

• 当输入为语音或视频时，Muse Wonder。Grok 4.7 接受文本和图像；Meta 的模型接受文本、图像、语音和视频，这减少了一个流水线阶段，而不是改进某个阶段。

那个诱人的概括——更便宜的模型对比更好的模型——在两半上都错了。按每个已完成任务计算，Grok 4.7 的便宜程度远不像它的价目表所暗示的那样，而 Muse Wonder 的优势集中在综合评分无法显示的地方。在实践中区分它们的是提示词大小和输出大小，而这两者都印在你自己的日志里。