Grok 4.7 發布日期文章的標題卡,寫著「Grok 4.7 — 發布日期的疑問」,副標題為「尚未發布。以下是 xAI 實際說過的內容。」,以及三個標籤:「初始訓練完成」、「SpaceX 數據已納入」、「馬斯克:3–4 週」,底部一行寫著「約 2.1T 參數 — 宣稱,而非規格。」
Guides & Insights

Grok 4.7 在人工分析智能指數中獲得 46 分,使 SpaceXAI 躋身前四。

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Grok 4.7 在人工分析智能指數中獲得 46 分,使 SpaceXAI 躋身前四。

Grok 4.7 推出了。SpaceXAI 於 2026 年 9 月 21 日星期一發布——價格與 Grok 4.6 相同,每百萬輸入 token 2 美元、每百萬輸出 token 6 美元,同樣具備 500,000 token 的上下文視窗、更晚的知識截止點,以及新的最高推理等級。它已在 Cursor 和 Grok Build 上線,也可透過該廠商自家的 API,以及第三方程式編碼測試框架、模型路由器和雲端平台使用。7 月 8 日推出的 Grok 4.5 仍位居其下,作為更便宜的選項,而它仍必須超越的模型則沒有改變:Claude Fable 5.1、Claude Opus 5 和 GPT-5.6 Sol 在 Artificial Analysis 的 v4.3.2 Intelligence Index 上都高於它,其中 Grok 4.7 的首個獨立分數——46——比 Grok 4.6 高兩分,比 Claude Fable 5.1 低七分。在同一個評測者的 AA-Briefcase 長期知識工作排行榜上,它排名第四,落後於三個 Claude 項目,並領先以 xhigh 強度運行的 Claude Opus 5,且每項任務成本約為 Claude Opus 5 的一半——這是本次發布中第一項獨立結果,顯示為價格效能上的勝利,而非落差。十一天過去,情況在邊緣而非核心進一步擴大:自 10 月 1 日以來,它一直在 Grok 自家的網頁與行動應用程式內逐步推出,其中模式選擇器現在在其兩個最難的選項中列出它,而它也在 OrcaRouter 上以 SpaceXAI 自家的 $2/$6 價格列出。

那就是這次發布。更有用的數字在同一天出現,來自這個故事中唯一不是廠商的評估者:Artificial Analysis 發表了對 Grok 4.7 的首份獨立評估,而結果由三部分組成——Intelligence Index 上的 46 分,僅領先 Grok 4.6 兩分;Coding Agent Index 上的 56 分,領先它九分;以及 AA-Briefcase 上的 1,657 Elo,領先 111 分。這三個數字指向不同方向,而它們之間的差距是這次發布最有趣的地方。接下來是已出貨的規格、廠商自家的基準測試表並附上每一列所需的標籤,然後是正確解讀的獨立分數——包括它們對 SpaceXAI 從未處理的就緒性但書所說明的內容。

SpaceXAI 在 9 月 21 日發布了什麼

先從規格談起,因為它與前代異常接近。Grok 4.7 的定價與 Grok 4.6 完全相同——在輸入 token 低於 200,000 時,每百萬輸入 token 為 $2、每百萬輸出 token 為 $6;一旦請求超過該門檻,就升至輸入 $4、輸出 $12,這與 Grok 4.6 所導入的結構相同。上下文視窗為 500,000 個 token。知識截止時間為 2026 年 5 月,比 Grok 4.6 的 2026 年 2 月 1 日晚三個月。推理強度分為四個等級——低、中、高與 xhigh——而公佈的數據是以 xhigh 引述。快速版本以兩倍價格提供兩倍的輸出速度。

在底層,xAI 描述的是三項變更,而非全新架構。基礎模型比 Grok 4.6 的更大。強化學習的訓練過程更長,並更偏重於需要耗費許多小時才能完成的任務。而且該模型經過訓練,能驗證自身的工作成果,並更好地維持長脈絡,包括原生理解 Grok Bot 的測試框架。該公司自己的一句話總結是「速度是可比模型的兩倍,價格卻只有一半」——這是針對競爭對手的定位主張,而非實測數據,值得以此角度來解讀。

首日上線時涵蓋範圍就很廣,之後又兩度擴大。推出時包括:Cursor 與 Grok Build、該供應商自家的 API、第三方程式開發工具、模型路由器與雲端平台;SpaceXAI 自家的 Grok Build 頁面現在更直接寫著「開始用 Grok 4.7 打造」。9 月 28 日,Amazon Web Services 將其加入 Amazon Bedrock,同樣具備 500,000 個 token 的上下文視窗與同樣四段推理強度等級,並透過跨區域推論設定檔提供服務,因此該模型如今可經由超大規模雲端供應商自家的目錄取得,而不僅限於供應商的 API。接著在 10 月 1 日,它開始在 Grok 的消費級網頁與行動應用程式內逐步推出,兩天後的現在仍停留在這個階段。最後這一步格外低調:SpaceXAI 當年為 Grok 4.5 的同等進展發布了一篇名為「將 Grok 4.5 帶到 iOS、Android、Web 與 X」的部落格文章,但對 Grok 4.7 則什麼都沒發布,因此這項變更是顯示在產品中,而非對外宣告。它是在伺服器端生效而非隨版本出貨,應用程式商店的資訊可為佐證:Grok 的 iOS 與 Android 商店頁面都在 10 月 1 日更新——App Store 的版本是當天發布的 1.4.47,其版本說明只提到「Chat、Voice 與 Imagine 的改進」,而 Play 商店的頁面也在同一天更新。這項變更是從後端推送,而非內建於二進位檔中。由於這次推出是被報導而非有文件記載,其確切範圍比 Bedrock 上架更難確認——後者背後有一篇註明日期的 AWS 文章——而且相關報導已經開始走樣:追蹤此事的帳號現在把 Grok 4.7 描述為所有模式——Fast、Expert、Build 與 Heavy——共用的基礎模型,這份清單與 grok.com 實際提供的內容並不相符。請將其視為追蹤者自身的報導,而非供應商的說明。特定的資安合作夥伴可獲得邀請制存取權,使用該模型的紅隊演練能力。

針對本文先前所記的一項內容提出更正。過去兩個月流傳的那個參數量——約 2.1 兆,比 Grok 4.6 的 1.5 兆高出約 40%——至今仍未出現在任何規格表上。xAI 並未公布 Grok 4.7 的參數量,而 Artificial Analysis 將該模型規模列為未披露。這個數字始終只是創辦人的說法,而這次發布並未讓它成為正式規格。

這張基準測試表是 xAI 自家的——以下則不是。

以下清單中的每一項數字都來自廠商的公告,且沒有任何一項經過獨立重現。閱讀時請帶著這個標籤:這些是 xAI 在其自行挑選的評估上所得到的數字,於發布當天公布,而任何產品上市的第一週,正是廠商基準測試最不可靠的時候。比較欄位同樣出自廠商自身——Grok 4.6(high)、GPT-5.6 Sol(max)與 Claude Fable 5.1(max),各自以廠商選定的投入程度執行。

• 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%。數據由廠商自行提供。

• DeepSWE v1.1 — Grok 4.7 在高強度模式下為 71.0%,Grok 4.6 為 65.2%,GPT-5.6 Sol 為 72.7%,Claude Fable 5.1 為 70.0%。由廠商自行回報。

• Terminal-Bench 4.0 — Grok 4 37.6%,Grok 4.6 20.3%,GPT-5 Sol 37.3%,Claude Fable 5.1 57.3%。由廠商回報,且已修訂:Grok 4.7 那一列在發布日當天的表格中顯示 38.0%,而今天在廠商頁面上顯示 37.6%。

• EEBench — Grok 4.7 64.0%、Grok 4.6 53.0%、GPT-5.6 Sol 39.4%、Claude Fable 5.1 56.4%。廠商提報。

• Harvey 法律代理 — Grok 4.7 19.6%、Grok 4.6 15.8%、GPT-5.6 Sol 2.5%、Claude Fable 5.1 6.7%。廠商自行回報。

• HealthBench Professional — Grok 4.7 56.7%、Grok 4.6 48.5%、GPT-5.6 Sol 60.5%、Claude Fable 5.1 62.1%。數據由廠商提供。

• 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。這是表中唯一一列不再僅出自廠商:Artificial Analysis 自家的 AA-Briefcase 榜單,對 Grok 4.7 在 xhigh 推理強度下同樣公布 1,657,對 Grok 4.6 在 high 下公布 1,546。比較欄位仍由廠商自行挑選模型與推理強度。

• GDPval Elo — Grok 4.7 1,695,Grok 4.6 1,605,GPT-6 Astra 1,542,Claude Fable 5.1 1,735。廠商提供。

對那組結果的誠實解讀並不是「Grok 4.7 勝出」。它在全部八項上都勝過 Grok 4.6,而這是後繼版本最起碼該做到的。若與整體對手群相比,它的表現好壞參半:在 CursorBench、Terminal-Bench 與 EEBench 上領先 GPT-5.6 Sol,在 DeepSWE 上則落後;在 CursorBench、Terminal-Bench、HealthBench 以及兩項 Elo 風格量測上落後 Claude Fable 5.1,在 EEBench 與 Harvey 法律代理評估上則領先。它也說明了基準測試結果有多取決於努力等級——DeepSWE 的 71.0% 是在一個其餘皆以 xhigh 標示的表格中的高努力數值。

安全性是廠商說法異常具體的唯一領域。xAI 表示,Grok 4.7 建立在全新的防護機制堆疊上,並稱其為該公司測試過、在拒答與抗越獄方面最強大的模型。在 LatchBio 的生物安全基準測試中,它回報 62.4%;在 HackerBench v0.3 中,它回報讓 3.3% 的高風險雙用途提示通過,同時極少阻擋合法的安全工作。這些都是廠商在其自家發布版本上自行回報的評估結果,且沒有任何第三方重現過。

本文中第一批不是該廠商提供的數字,是 Artificial Analysis 於9月21日公布的那三個數字,而它們彼此以一種具有啟發性的方式互相矛盾。在 Intelligence Index 上,Grok 4.7 在 v4.3.2 尺度、xhigh effort 下得分46——在該排行榜上排名第16——而 Grok 4.6 為44。Artificial Analysis 稱這2分的提升足以讓 SpaceXAI 躋身該指數的前四大實驗室。精確解讀這個名次:它是在陳述某個實驗室最佳模型的表現,而不是在陳述這個模型本身,而且這個模型仍比 Claude Fable 5 的50分低4分,也比 Claude Fable 5.1 與 GPT-6 Astra 共同拿下的53分低7分。2分的提升也落在同一模型不同 effort 等級之間會出現的範圍內,這提醒我們:後繼模型得分高於前代,並不等同於後繼模型改變了可能性的邊界。關於解讀這個數字,還有一點要注意:尺度版本很重要,因為 Artificial Analysis 重新修訂了其指數,而大多數7月與8月報導中出現的61/62/63數值屬於已淘汰的2026年9月前尺度——它們無法與這些數值相比。

Coding Agent Index 是第二個數字,而且正是有變動的那一個。在 SpaceXAI 自家的 Grok Build 測試框架中以 xhigh 努力程度運行,Grok 4.7 拿下 56 分,相較 Grok 4.6 的 47 分——差距是九分,不是兩分——在以其原生測試框架評估的模型中排名第四,落後 Claude Fable 5.1、GPT-6 Astra 與 Claude Opus 5,並領先 GPT-5.6 Sol。該指數是 DeepSWE v1.1、Terminal-Bench 4.0 與 SWE-Atlas-QnA 在 303 項任務上的等權重綜合分數,而三個組成部分全都進步:DeepSWE 從 65% 提升到 73%,Terminal-Bench 從 18% 提升到 33%,SWE-Atlas-QnA 從 58% 提升到 63%。這是首個獨立證據,顯示 xAI 所描述的修正——更長時間、側重多小時任務的強化學習——確實發揮了作用;而這也是團隊在挑選程式編寫代理時最應重視的數字,因為它是在模型實際出貨搭配的測試框架中測量,而不是在供應商自家的表格上。

但要注意的是這九分所付出的代價。Artificial Analysis 自己的測試在 Intelligence Index 上產生了 2.4 億個輸出 token,而其追蹤的模型中位數為 9,400 萬個——超過兩倍——並將評估一項 Index 任務的成本訂為 3.74 美元。以每百萬個輸出 token 6 美元計算,冗長程度是決定代理迴圈是否負擔得起的關鍵項目,因此以超過中位數兩倍的輸出換來九分提升,是實實在在的取捨,而非免費升級。同樣的測量也意味著頭條分數不應被解讀為單一結論:以每 token 計算,Grok 4.7 相較 Grok 4.6 的優勢比指數差距所顯示的更小;而在構成 Intelligence Index 的一般知識評估上,它幾乎是同一款模型,帳單卻高出一大截。下一節的 AA-Briefcase 結果則是例外,而且差距很大。

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.

第二個獨立董事會:AA-Briefcase,以及每項任務成本減半能換來什麼

Artificial Analysis 在同一天公布了 Grok 4.7 的第三個數字,而這個數字談的是知識工作,而非程式碼。在 AA-Briefcase 上——這是它專為長程代理式知識工作所設的排行榜,由四個為期數週的專案情境與 91 項評分交付成果建構而成——Grok 4.7 在 xhigh 努力程度下得分 1,657 Elo,在排行榜上名列第四,僅落後 Anthropic 的項目:最高努力程度的 Claude Fable 5.1(1,678)、最高努力程度的 Claude Opus 5(1,673),以及 xhigh 的 Claude Fable 5.1(1,669)。它落後最高努力程度的 Claude Opus 5 達 16 Elo,而在 xhigh 下則領先 xhigh 的 Claude Opus 5(1,649)8 Elo。請精確解讀這個排名:「僅落後 Anthropic 模型」是 Artificial Analysis 自己使用的說法,而且確實無誤——但第四名不是第二名,而排在它之上的三列全都來自同一家廠商。

相較前一代的增幅,是本次發布中最大的單一躍進。相較於 high effort 設定下的 Grok 4.6(1,546),Grok 4.7 在 xhigh 設定下於 AA-Briefcase 上提升了 111 Elo——是 Intelligence Index 上兩點增幅的五十倍以上。Artificial Analysis 幾乎完全將其歸因於分析品質:該項目上為 1,994 Elo,而 Grok 4.6 為 1,690;而呈現品質則略微下滑,為 1,499 對上 1,519。這是個清晰可辨的特徵:模型對分析內容的推理更佳,但交付成果的排版格式略遜一籌。同樣的趨勢也出現在 Artificial Analysis 為 AA-Briefcase-Lite 所引用的數據中——那是其在 Hugging Face 上發布的公開盡職調查情境——分析品質從 1,698 上升至 1,994,呈現品質則從 1,531 下降至 1,499。關於這項比較有兩點但書。AA-Briefcase-Lite 明確地僅具示範性質:Artificial Analysis 自家的方法論頁面指出,公開的第五個情境「不計入官方的 AA-Briefcase 結果」。而且為其所引用的品質數據,與主排行榜上公布的 xhigh 各列相符,因此請把 Lite 這段視為發展方向的示意,而非另一份獨立的計分板。

成本這一項,正是這個結果會改變決策的地方。AA-Briefcase 的每項任務成本衡量方式,是把執行完整提交內容的總成本除以它的 91 項任務;將 Artificial Analysis 公布的總額相除後,Grok 4.7 在 xhigh 下每項任務約為 $9.30,而 Claude Opus 5 在 max effort 下約為 $17.79——大約只要一半,換來的是 16 分的 Elo 差距。Artificial Analysis 自己對這項結果的總結是,Grok 4.7 的排名「僅落後 Opus 5,每項任務成本約為其 50%」。這正是本文其餘部分所描述的同一個取捨,只是從不同方向得出相同答案:Grok 4.7 並非擊敗前沿,而是以更低價格切入。有兩點但書,兩者都該誠實以對。代幣帳單是真實存在的——在 AA-Briefcase-Lite 上,Artificial Analysis 估計,Grok 4.7 在 xhigh 下產出範例簡報的 API 成本約為 $8,而 Grok 4.6 在 xhigh 下約為 $4.40,因此這個後繼模型在相同工作上,成本比它所取代的模型高出約 80%。而且每項任務的數字是依據代幣用量、以定價表價格加上具代表性的快取命中率計算而來,因此會隨你的快取情況變動:它們是帳單的模型,不是你的帳單。

Grok 4.7 相較於 Grok 4.6 及群雄的位置

• 每 100 萬個詞元價格 — Grok 4.7 在輸入低於 200K 時為 $2 輸入 / $6 輸出,超過則為 $4/$12;Grok 4.6 完全相同。

• 上下文視窗 — 兩者皆為 500,000 個 token。

• 知識截止日 — Grok 4.7 為 2026 年 5 月,而 Grok 4.6 則為 2026 年 2 月 1 日。

• 推理投入程度 — Grok 4.7 的低 / 中 / 高 / xhigh,對比 Grok 4.6 已公佈的等級。

• 獨立評分——在 Artificial Analysis 的 v4.3.2 Intelligence Index 上,xhigh 推理強度下為 46,相較之下為 44。Artificial Analysis 表示,這足以讓 SpaceXAI 躋身該指數的前四大實驗室。

• 獨立程式編寫分數 — 在 Artificial Analysis Coding Agent Index 上為 56 對 47,每個模型皆在其原生測試框架中。在原生框架模型中排名第四,領先 GPT-5.6 Sol。

• 獨立知識工作評分 — 在 xhigh 努力程度下為 1,657 Elo,相較於 Grok 4.6 在 high 下的 1,546,資料來自 Artificial Analysis 的 AA-Briefcase 排行榜。總體排名第四,落後於三個 Anthropic 項目,並領先 xhigh 下的 Claude Opus 5。

• 每個 AA-Briefcase 任務的成本——約 $9.30,相較之下,Claude Opus 5 在最高強度設定下約為 $17.79,且是在同一個排行榜上。每任務費用大約只要一半,換來的是 16 分的 Elo 差距。

• 每次 Index 執行所輸出的 token 數——2.4 億,對比 Artificial Analysis 所追蹤模型的 9,400 萬中位數。這項提升並非沒有代價。

• 供應商程式碼評測 — CursorBench 4.0 46.3% 對比 40.4%。

• 服務速度 — 相較於 Grok 4.6 的標準服務,另有輸出速度加倍、價格也加倍的快速版本。

• 安全性 — 一套全新的防護機制,據報導在 LatchBio 的生物安全基準測試中達到 62.4%;Grok 4.6 發布時則未提出此宣稱。

而在同一份排行榜上,這個領域的分數是:Claude Fable 5.1 拿下 53 分,Claude Opus 5 為 51 分,GPT-5.6 Sol 為 47 分,Kimi K3 則是 44 分。馬斯克自己的預測——Grok 4.7「應該大致與 Opus 5.0 持平,而非 5.1」——如今底下有了數字,而這個數字落在他所說的位置:在前沿之下,而非之上。與 Claude Fable 5.1 之間的實測差距是七分;價格差距則朝反方向走,Claude Fable 5.1 每百萬權杖的定價為 $10/$50,而 Grok 4.7 是 $2/$6——輸入價格是五倍,輸出價格則超過八倍。這才是團隊真正被要求做的取捨,而且是價格與效能的取捨,而非能力上的勝出。AA-Briefcase 是本文中唯一排序出現變化的榜單:在那裡,xhigh 設定的 Grok 4.7 領先 xhigh 設定的 Claude Opus 5,1,657 對 1,649,但仍落後於最高投入設定的 Opus 5(1,673),也落後於 Claude Fable 5.1(1,678)。在劃下結論之前,也值得把三項獨立分數並列來看,因為它們指向的方向並不一致:在通用智慧上落後七分,在程式代理指數上領先 GPT-5.6 Sol,在知識工作上以 111 Elo 領先其前代,並且以輸出權杖為代價換來這些進展。這些事實中哪一項決定你的選擇,取決於你的工作負載是程式代理、知識交付物,還是聊天提示,而這種區分比單一排名更有用。

外洩消息說對了哪些事,以及它們未能釐清的那一件事

這篇報導追蹤至九月的那些文物都是真實的,而這次發射則把它們化為一場考驗,檢驗這類證據究竟價值幾何。以下是這份帳目。

• 那份目錄 pull request 的價格是對的。9 月 21 日送出的提交,把 Grok 4.7 加入某個開源代理客戶端的 Zen 與 Go 目錄——於 05:36 UTC 開啟,07:46 UTC 被合規機器人自動關閉,原因是缺少 pull-request 範本區段,從未合併——其中列出的模型價格,採用的是 Grok 4.6 已公布的费率。結果證明完全正確:$2/$6,維持不變。但機制比結果更重要。該貢獻者是從它上方的模型複製费率,而複製恰好成了正確的猜測。那是運氣,不是權威,而同一份 pull request 的能力主張同樣沒有帶來任何資訊。一項提案可以正確,卻仍不構成證據。

• 佈建軌跡確有其事,但那並不是發布本身。社群追蹤者在 9 月 16 至 17 日通報、出現在 Google Cloud Console 模型配額頁面上的 grok-4.7 列項,以及在一則 Grok Bot 設定錯誤中浮現、帶有日期的 grok-4-7-0907 建置代號,兩者都指向一個正在籌備中的模型。但兩者都沒有任何人附上日期,也都不是那則公告。它們所確立的是,第三方基礎設施正在被備妥——事後回看,這點準確無誤,卻依然不是一份時程表。

• 參數量從未獲得確認。大約2.1兆,比 Grok 4.6 高出約40%,馬斯克在9月2日重複提及——而且在發表時仍未出現在任何規格表中。這是整個事件裡最明顯的案例:一個數字廣為流傳,足以被當成事實,卻始終沒有廠商來源。

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.

上方那張卡片記錄的是本文最後一次查核時所見的發布前狀態:沒有型號 ID、沒有發布日期,也沒有已公布的基準測試結果。自那之後,卡片上的每一列都已被 9 月 21 日的公告取代;這裡之所以保留它,是因為那張卡片與正式出貨模型之間的落差,正是過去六週的真正故事——一場前沿發布,直到出貨當天都完全沒有產生任何已確認的規格。

• 準備就緒的但書是未解的問題,而現在已有部分證據。馬斯克在九月中表示,Grok 4.7 在高難度任務上「過早結束」,且其答案檢查「不夠嚴格」,他將此歸因於對長回應的強化學習懲罰設得太高,並以「可能」一詞作為保留。發布公告並未提及此事。xAI 所說的修正方式是間接的:更長的強化學習、側重於多小時的任務,以及更好的自我驗證,正是你為了處理過早終止所會做的改變。Coding Agent Index 的結果是第一個外部跡象,顯示它起了作用——56 分對上 Grok 4.6 的 47 分,而 Terminal-Bench 4.0 幾乎翻倍,從 18% 升至 33%,這正是範圍中長跨度、多步驟的那一端。這不是一個明確的答案,因為同樣的測試框架分數也是靠多得多的輸出 token 換來的。該模型是否仍會放棄長期困難的任務,任何有 API 存取權的人都能測試,而這仍然是第一件值得測試的事情。

• SpaceX 語料庫仍未獲證實。據報導的訓練補充資料——Starlink 遙測資料、Raptor 燃燒室壓力紀錄、Starship 重返大氣層遙測資料、內部 Slack 討論串、Jira 工單、GitHub 儲存庫與 ERP 紀錄——是社群對馬斯克說法的報導,而非公司揭露。發布公告描述了一個更大的基礎模型與更長的強化學習訓練流程,卻對該語料庫隻字未提。如果它真的在裡面,沒有任何規格表會加以證實;唯一的證據將是該模型在真實工程工作上,是否表現出同儕做不到的事。

四度失準的時間表,以及市場做對的事

Grok 4.7 曾公開承諾過五個不同的時間表,而前四個都已過期。7月24日至25日,馬斯克說大約四週,意味著8月22日。8月12日,他改口為「3到4週」,意味著9月2日至9日。9月2日,他把範圍縮小到大約十天,指向9月12日。9月11日,也就是期限耗盡的那一天,他說「再幾天」。第五個根本不是一個時間窗——而是 Google Cloud 配額頁面上的一列 grok-4.7——而它卻是最接近正確的一個:該模型於9月21日正式推出,就在任何人所承諾的最後日期之後不久,而且它之前的那項產物也沒有附上日期。

預測市場正確判定了時程,卻錯判了模型。Kalshi 的「SpaceXAI 會在 9 月 18 日前發布 Grok 4.7 嗎?」於 9 月 18 日 03:59 UTC 停止交易,最後成交價為 65¢,共成交 1,785 份合約,未平倉 1,211 份。兩大市場上所有已結算合約——Kalshi 的 8 月 14、21、28、31 日與 9 月 4、8、11 日窗口,以及 Polymarket 的 9 月 12 日與 9 月 14 日合約——都結算為「否」。Polymarket 的「下一個 Grok 模型(4.7 或更高)會在 9 月 18 日前發布嗎?」在 9 月 15 日報 64%,此前十一天內曾在 42% 到 88.5% 之間游走。市場正確地看淡了推文帶動的飆升,也正確判斷 9 月 18 日窗口會空手收場。它在模型上早了三天,而這正是有到期日的合約唯一無法定價的事。

這些觀看次數值得留作校準註記。馬斯克9月2日的倒數計時——「10天後推出」——吸引了1029萬次觀看,而且是錯的。他9月11日的改口吸引了205萬次觀看,也同樣是錯的。他9月13至14日的路線圖貼文吸引了約199萬次觀看,是最接近正確的一次——他形容Grok 4.8是相較於Grok 4.7「有明顯改善」,這是一個約2.5兆參數、以從零開始打造的C++技術堆疊訓練而成的模型。在整個過程中,觸及率追蹤的是信心,而不是準確度。

路線圖上有兩個項目如今已變成待解的問題,而非預測。Grok 4.8 在任何地方都沒有模型 ID、沒有定價、沒有上下文視窗,也沒有基準測試條目。而「Grok 4.7 已被悄悄『改名』為 Grok 4.8」這種說法——某家媒體對馬斯克在 4.7 延遲之際卻點名 4.8 的解讀——如今已朝反方向定案:4.7 是以 4.7 之名推出的,在 Index 上拿下 46 分,而 Grok 4.6 為 44 分,這是後繼版本的遞增,而非重新發表。

這對今日呼叫 Grok 的團隊意味著什麼

實際情況在 9 月 21 日改變了,而且是以最不戲劇化的方式改變:一個新的模型 ID,價格相同、上下文視窗相同,Index 提升兩點、程式設計代理提升九點,知識工作則提升 111 點。自那之後的兩項變化,比表面上看起來更重要。Grok 應用程式現在把模型交給一般使用者,而不只是開發者,而這一側的型錄現在也收錄了它——兩者合起來,讓本文末尾所述的路由層從一項計畫變成預設做法。如果你的成本模型是建立在 Grok 4.6 的 $2/$6 上,那麼每 token 價格對 Grok 4.7 仍然正確——但 token 數量並非如此。Artificial Analysis 自己的測試在 Intelligence Index 上燒掉了 2.4 億個輸出 token,而它所追蹤模型的中位數是 9,400 萬個,因此即使價目表完全相同,同一個請求的成本也可能貴上遠超過兩倍,而這種變化永遠不會出現在定價表上。在你得出這個版本免費的結論之前,請用輸出 token 來計算真實的代理式迴圈成本,而不是用每百萬 token 的費率。如果你轉換的理由是供應商所宣稱的性價比前沿,那麼最有力的證據現在是 AA-Briefcase,而不是供應商的表格:在該排行榜上排名第四,每項任務成本約為 Claude Opus 5 的一半,但相較於 Claude Fable 5.1,在 Intelligence Index 上有七點差距,而價格差距則以相反方向呈現:輸入端達五倍,輸出端超過八倍。而如果你的工作負載特別是用於程式設計代理,那麼情況比 Index 所顯示的更有利:在 Grok Build 測試框架中的 Coding Agent Index 拿下 56,領先 GPT-5.6 Sol,這與一般智慧上的 46 屬於不同層級。其中哪一項更重要,完全取決於你的工作負載,而 SpaceXAI 以外沒有人曾在你的工作負載上跑過 Grok 4.7。

在OrcaRouter 的型錄中,Grok 產品線現在除了 Grok 4.6、Grok 4.5 與 Grok 4.3 之外,還提供 Grok 4.7,依供應商的定價表計費、零加成——每百萬輸入 token 2 美元、每百萬輸出 token 6 美元,快取輸入讀取為 0.50 美元,而且一旦請求的輸入 token 超過 200,000,就會和 SpaceXAI 的收費一樣,跳升至輸入 4 美元、輸出 12 美元。這就是將費率表原封不動地轉嫁所換來的:你成本模型中的每 token 價格,就是你帳單上的每 token 價格,而且這個系列中的每個模型都接受同一把金鑰,因此把工作負載從 Grok 4.6 移到 Grok 4.7,只是改個字串,而不是再簽一份合約。該頁面載明 500,000 token 的上下文視窗,以及 Grok 4.6 整合早已對接的同一套 OpenAI 相容介面——Chat Completions 與 Responses。

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.

那層路由機制也是評估一個模型的低風險方式,而這個模型的獨立數據與供應商自家的數據在同一天出爐。上面那份基準測試清單仍然是供應商自家的——他們選定的評估項目、他們選定的努力程度、他們選定的比較欄位——而且其中沒有一項經過重現。改變之處在於,Artificial Analysis 的那三項分數並非出自供應商,所以問題已經從「這一切到底是不是真的」轉變成「我的工作負載看起來像其中哪一個結果」:46 分代表中段班的通用智能,56 分代表在原生測試框架的編碼代理中排名第四,還是 1,657 分代表在知識工作上排名第四、每項任務成本只有前沿模型的一半。而決定經濟效益的數字根本不是某項基準測試,而是一次執行所消耗的輸出 token 數,這只有你自己的流量才有辦法定價——根據 Artificial Analysis 的測量,每次 Index 執行要 2.4 億個,相對於 9,400 萬的中位數;而在其公開的 AA-Briefcase-Lite 情境中,每組範例簡報約 8 美元,相對於 4.40 美元。自動容錯移轉讓你可以把真實流量導向新模型,並在 token 帳單或過早放棄的行為結果比宣傳的更糟時,退回仍能回應的供應商——這正是測試一個未經證實的模型,與把整條流程押注在它身上的差別。

如何先知道(那個有效的檢查)

這個部分過去是一份等待期間要留意的訊號清單。等待已經結束,所以以下是同一份清單,對照實際發生的情況進行評分。

• 模型清單就是確認,而它變動了。六週以來,本文的建議一直是緊盯該廠商的模型清單,而非推文,因為 Grok 4.7 成真的那一刻,清單上就會多出一個附帶定價與上下文視窗的模型 ID。事情正是如此:grok-4.7 如今現身,具備 50 萬上下文視窗、輸入低於 20 萬時為 $2/$6 的定價、超過則為 $4/$12,知識截止日為 2026 年 5 月,以及四個努力等級。每一個馬斯克時間窗口、每一套節奏論點、每一個市場日期,都未能讓那份清單移動;是這次發布讓它動了。

第三方型錄往往比公告更早出現,而它們是提案,而不是部署。9 月 21 日的那個型錄 pull request 是迄今最清楚的例子,而它的收尾過程很具啟發性:一位貢獻者為某個模型做好了準備,兩小時後一個機器人因缺少範本區段而關閉了這項變更,而該模型在兩天後正式推出。要把這類產物解讀為帶有時間戳的意圖。它確實比公告更上游,但它並不代表可用性。

• 關注 OrcaRouter 模型目錄。它現已遷移。整個九月,本文的建議都是:orcarouter.ai 上的 grok-4.7 模型頁面會是「你今天就能透過我們呼叫它」的訊號,因為模型只有在供應商完成上架後才會被列出。該目錄現在以供應商費率、不加價提供 Grok 4.7,因此讀者被告知要做的檢查有了解答:它今天已可透過單一 API 進行路由。

• 就消費者端的能見度而言,Grok 應用程式如今已把 Grok 4.7 推到那些永遠不會打開 API 主控台的使用者眼前。10 月 2 日再次查看時,grok.com 提供給登出訪客的選擇器資料,在其四個選項中仍有兩個點名該模型——Expert 顯示為「深入思考 · Grok 4.7」,Heavy 顯示為「專家團隊 · Grok 4.7」——而 Fast 是應用程式預設開啟的模式,卻只被描述為「快速回應」,Auto 則是在 Fast 與 Expert 之間選擇。這四個選項是 Auto、Fast、Expert 和 Heavy。Build 不在其中:Grok Build 是獨立的終端機產品,有自己的頁面,而該頁面才是該模型 Build 標註的真正來源——它告訴訪客「立即安裝,並開始用 Grok 4.7 打造」。因此,10 月 1 日流傳、並在 10 月 2 日被重複的那項說法——即 Grok 4.7 如今是「Fast、Expert、Build 和 Heavy」的基礎模型——列出了一個應用程式並未提供的模式,卻漏掉它開啟時所用的那個模式;而且這是追蹤器的解讀,而非廠商的說法,因為 SpaceXAI 完全沒有發布任何關於這次推出的消息。對等的 Grok 4.5 階段有自己的一篇部落格文章;這次則是產品在一個沒有隨之更動的新聞頁面之下悄然改變。

目前的狀況

Grok 4.7 於 2026 年 9 月 21 日推出,每百萬輸入 token 收費 2 美元、每百萬輸出 token 收費 6 美元,具備 50 萬 token 的上下文視窗,知識截止日為 2026 年 5 月。此後十一天內改變的是可用性版圖,而非模型本身:Amazon Bedrock 於 9 月 28 日上架它;它於 10 月 1 日開始在 Grok 自家的網頁與行動應用程式內推送,到 10 月 2 日仍在推送中;如今它已在 OrcaRouter 上架,採用 SpaceXAI 自家的價格,沒有任何加價。它的獨立評分與上市同日出爐,且彼此仍不一致:在 Artificial Analysis 的 v4.3.2 智慧指數上,xhigh 投入程度下為 46 分,比 Grok 4.6 高兩分,足以讓 SpaceXAI 躋身該指數前四名的實驗室;在 Grok Build 測試框架的 Coding Agent Index 上為 56 分,比 Grok 4.6 高九分,在原生測試框架模型中排名第四,領先 GPT-5.6 Sol;在 AA-Briefcase 上為 1,657 Elo,比 Grok 4.6 高 111 分,在排行榜上排名第四,落後於三個 Anthropic 項目,每項任務成本約為 Claude Opus 5 的一半。廠商發表表中每一項基準都是廠商自家的、未經重現的結果,只有一個例外:Artificial Analysis 自家的 AA-Briefcase 排行榜公布了相同的 1,657,而廠商後來也把自家的 Terminal-Bench 那一列從 38.0% 下修為 37.6%。程式編寫與知識工作的進步是真的,而代價是輸出 token——每次 Index 執行要 2.4 億個,中位數則為 9,400 萬個;在 AA 公開的盡職調查情境中,每組範例簡報約為 8 美元對上 4.40 美元——這個數字才決定了這次發布算不算便宜。流傳了兩個月的約 2.1 兆參數說法,至今仍沒有廠商來源,而「過早放棄」的警告也從未被直接回應,儘管在 Grok Build 測試框架中 Terminal-Bench 從 18% 躍升至 33%,是首個證明修正奏效的外部證據。本文請讀者留意的兩個訊號都已觸發:廠商的模型清單新增了 grok-4.7,並附上價格與上下文視窗;而這裡的目錄也以相同價格列出它。所以致勝的一步比九月時更簡單——2 美元/6 美元的 Grok 4.6 曾是答案,而 2 美元/6 美元的 Grok 4.7 是同一個答案,只是模型 ID 更新、程式編寫與知識工作分數更好、token 帳單大得多,而且消費端應用程式在它兩個最難的模式中直接點名它。

本文中的比較3

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新