xAI 发布 Grok 4.7：体量更大，却姗姗来迟

埃隆·马斯克的 xAI 于周一下午发布了 Grok 4.7，这是其迄今为止最好的模型，并称其“在相同价格和速度下，相比 Grok 4.6 有显著提升”。

此次发布之前，该模型明显多次推迟。自 7 月下旬以来，马斯克至少五次推迟了时间表：“还有四周”，然后是“几周”，接着是“3 到 4 周”，9 月 1 日又说“10 天”，9 月 11 日则称“还需要几天时间打磨”。

xAI 表示，该模型在解决难题上花费的时间更长，并且比 Grok 4.6 更频繁地复核自己的答案，同时公司称其拥有迄今为止最强的安全防护措施。

马斯克在 X 上跟进表示，称 Grok 4.7 是“智能、速度与低成本的强力组合”。这次没有等待名单——它现已在 Grok 应用、Cursor、Grok Build 和 xAI API 中上线。

Grok 4.7 拥有 2.1 万亿个参数，比 Grok 4.6 的 1.5 万亿增加了 40%，而 Grok 4.6 本身又是对 Grok 4.5 的改进。其成本为每百万输入 token 2 美元，每百万输出 token 6 美元。参数是模型在训练过程中调整的内部旋钮，参数越多通常意味着学习模式的能力越强，而 token 则是 AI 模型能够记录或生成的基本信息量。

xAI 还加入了从马斯克的火箭公司 SpaceX 提取的补充训练数据：Starlink 卫星遥测数据、制造记录和工程故障日志。其卖点是一个在硬件和物理系统推理方面比任何仅用互联网文本训练的模型都更强的模型。

话虽如此，基准测试分数讲述的是一个熟悉的故事。GDPval 衡量的是模型在真实的、具有经济价值的知识工作——法律备忘录、电子表格、幻灯片——上的表现，使用由各领域在职专业人士审核的任务，并以 Elo 评分进行打分，这与国际象棋使用的正面交锋排名系统相同。

Grok 4.7 在 GDPval 上达到 1695 分。Claude Fable 5.1 以 1735 分位居榜首。

由 Artificial Analysis 构建的 AA-Briefcase 测试的是长达数小时的办公室工作，将研究、分析和文档制作串联成一项长任务，同样以 Elo 量表评分。Grok 4.7 得分为 1657，而 Fable 5.1 为 1678。结果相同，测试不同。

CursorBench 4.0 是 Cursor 针对其编辑器内真实编码任务的基准测试，它将准确性与每项任务消耗的成本和 token 数量进行对比。Grok 4.7 处于中间位置：每项任务的价格高于 GPT-5.6 Sol 的继任者 GPT-6 Astra 和 Claude Sonnet 5，但仍不及 Fable 5.1，后者在图表上的每个价格点都胜出。

这对 xAI 来说并不是新模式。 Grok 4.5 于 7 月推出，拥有业内最大的训练集群，但得分却排在 Claude 和 OpenAI 的模型之后，位列第三。在此之前，Grok 4.20 以可靠性换取了速度和个性。Grok 4.6 在编码自主性方面也落后于前沿阵营。

对于通过 X、独立应用或特斯拉仪表盘与它对话的数百万人来说，这一切都不会让 Grok 4.7 成为一个糟糕的产品。这意味着，最有可能回答你的问题、或为你的汽车语音助手提供支持的模型，运行在一个其自家制造商的基准测试都将其排在天梯顶端下一级的系统上。

正是这一差距，使得对大多数人来说，价格标签比排行榜位置更重要。xAI 在每 token 成本上一直低于 Anthropic 和 OpenAI，尽管在原始能力上落后于它们，它押注的是“足够好、便宜、无处不在”在日常使用的大多数场景中胜过“最好，但更贵”。

马斯克在发布前几天就已经降低了预期，他写道 Grok 4.7 应该“大致与”Anthropic 的 Claude Opus 5.0 持平，而不是更新的 Opus 5.1，多模态性能仍有待改进。

在同一篇帖子中，他勾勒了接下来的三个模型：Grok 4.8 是一次有意义的提升，Grok 4.9 属于“Astra/Fable 级别”，而 Grok 5 则可能成为前沿领导者。这些升级尚未有发布日期。“我们拭目以待，”他写道。