本文要点
- Grok 4.7从Grok 4.6的同价同速升级，转向更长RL和更难长任务。
- 官方基准重点移到CursorBench、DeepSWE和Terminal-Bench。
- 第三方评测加入token消耗、速度和早期反向结果约束。
阅读辅助
先看数字、证据和来源，再读正文。
xAI已正式发布Grok 4.7，并称同价同速优于Grok 4.6。
2026-09-19 · xAI先发布Grok 4 Fast，作为速度和价格线的背景。
xAI给Grok 4.7的定位很直接：模型竞争重心被推到长程编码、文档型知识工作和安全拒答上。9月21日的官方发布页把一句关键口径放在前面：Grok 4.7以与Grok 4.6相同的价格和速度提供服务，同时在更难、更长的任务上更能坚持并复核自己的工作。
证据分成三组。第一，xAI官文宣布Grok 4.7上线，并称其是该公司当前最强的coding and knowledge work模型。第二，xAI模型文档已经列出grok-4.7，上下文窗口为500k tokens，API价格从每百万输入token 2美元、每百万输出token 6美元起。第三，Artificial Analysis同日发布独立评测，给出Intelligence Index、Coding Agent Index、token消耗和速度等外部口径。
需要降级处理的是效果叙事。官方列出的CursorBench、DeepSWE、Terminal-Bench、HackerBench和LatchBio数字很具体，但仍是xAI发布材料中的基准表；Artificial Analysis的评测支持知识工作和编码Agent能力改善，却也指出Grok 4.7在高推理努力下输出token用量明显偏高；Vals AI在X上发布的早期结果则与官方叙事不同，只能作为社区反向信号，不能写成官方确认的退步。
对开发者和企业买方来说，Grok 4.7需要同时观察三组变量：同价同速、长程编码能力、安全拒答。只要其中一边无法在真实工作流里复现，它就会从“可替换主力模型”退回到“特定任务候选模型”。
发布页到底说了什么
xAI官文的主句是“most capable model for coding and knowledge work”。这句话的重点不在“最强”本身，而在它把Grok 4.7放进了一个更窄、更可衡量的竞争场：模型是否能在长任务里维持上下文、持续执行、检查结果，并在危险请求上保持拒答边界。发布页还说Grok 4.7使用了比Grok 4.6更大的新基础模型，经历了更长的强化学习训练，任务混合更偏向需要数小时完成的问题，并且更适配Grok Bot harness。
价格口径也必须忠实保留。xAI说Grok 4.7“served at the same price and speed as Grok 4.6”，这不是“再次降价”或“再次提速”，而是维持与上一代Grok 4.6相同的服务价格和速度。模型文档里的API表也支持这一点：Grok 4.7的起价是每百万输入token 2美元、每百万输出token 6美元，与Grok 4.6的起价一致。xAI同时提到fast variant，其口径是以两倍输出速度换取两倍价格，这应写成速度和价格的取舍，而不是免费提速。
官方基准表把Grok 4.7放到多个维度里。编码方面，CursorBench 4.0为46.3%，DeepSWE v1.1为71.0%且标注为high effort，Terminal-Bench 4.0为38.0%。安全和双用途任务方面，xAI写到HackerBench risky prompts allowed为3.3%，LatchBio biosafety benchmark为62.4%。这些数字共同构成了xAI的叙事：Grok 4.7不是只追求多解题，而是希望在可执行任务和安全拒答之间同时拿分。
| 维度 | xAI发布口径 | 需要保留的边界 |
|---|---|---|
| 价格 | 输入2美元/百万token，输出6美元/百万token起 | 与Grok 4.6相同，不是再次降价 |
| 速度 | 官方称与Grok 4.6相同 | fast variant是两倍速度对应两倍价格 |
| 长程编码 | CursorBench 46.3%，DeepSWE 71.0% high effort | 官方表格口径，需看第三方复测 |
| 终端任务 | Terminal-Bench 38.0% | 与具体harness强相关 |
| 安全拒答 | HackerBench risky prompts allowed 3.3% | 需看风险提示集合和判定阈值 |
| 生物安全 | LatchBio 62.4% | xAI发布材料中的榜单说法 |
第三方评测给了哪些约束
Artificial Analysis的文章没有简单复述xAI官文。它给出的第一层结论是Grok 4.7在Intelligence Index上得46，比Grok 4.6提高2点，并让xAI进入其所称的top 4 AI labs。第二层结论更贴近这次发布的主题：在AA-Briefcase这类长程知识工作任务上，Grok 4.7得1657 Elo，比Grok 4.6 high高111 Elo；在GDPval-AA上为1695 Elo，比Grok 4.6 high高90 Elo。
编码Agent部分，Artificial Analysis把Grok 4.7放在Grok Build这个一方coding agent里测，Coding Agent Index得56，高于Grok 4.6 xhigh的47。文章明确说明，这些结果和Intelligence Index不是同一个harness：前者评估Grok与Grok Build组合，后者使用标准化评测设置。这个区分很重要，因为开发者真实采用的对象通常不是裸模型，而是模型、工具调用、文件系统、终端执行和回滚机制组成的系统。
第三层约束是成本和速度。Artificial Analysis文章称，Grok 4.7 xhigh在Intelligence Index每项任务约用81k输出token，高于Grok 4.6 xhigh的38k，也高于GPT-6 Astra max的27k。模型页显示Grok 4.7 xhigh的价格为每百万输入token 2美元、每百万输出token 6美元，上下文窗口为500k tokens；同时给出约38.8 output tokens/s的模型页速度指标。文章另有长提示输出速度约188 tokens/s的测量口径。两组速度数字来自不同页面和口径，不能混写成一个统一性能承诺。
这一点会直接影响企业买方的试用方式。官方同价同速降低了切换门槛，但如果高推理努力下token消耗明显增加，真实账单并不只由标价决定。长程Agent的单位成本更像“完成一个任务的总token、总时长、重试次数和人工复核成本”的组合，而不是输入输出单价相加。
Vals和社区信号怎么读
Vals AI在X上给出的早期结果更像风险提示。其帖文称Grok 4.7在Vals benchmark suite里的Vals Index为54.2%，排名#24，比Grok 4.6的59.2%、#14低5.0点，但仍高于Grok 4.5的51.5%、#30，并称法律和医疗任务提升最大。这个结果没有出现在xAI官文里，也不是xAI官方口径，因此只能作为第三方早期反向信号。
Hacker News当天围绕xAI官文出现高热讨论，价值主要在问题集合，而不是事实确认。社区关注的点包括：xAI是否会公开足够多的评测细节；Grok Build与Cursor等集成入口是否能复现官方长程编码结果；高token输出是否意味着看似便宜的模型在长任务上并不便宜；安全拒答数字是否会牺牲合法的网络安全和生物研究任务。它们都不是一手事实，但能帮助设置后续跟踪问题。
这类社区信号的正确写法是“某第三方称”或“社区讨论集中在”，而不是把它们升格成最终结论。尤其是Vals的早测，它与xAI和Artificial Analysis的方向不完全一致，早报应把它保留为复测分歧：如果后续更多独立基准也显示Grok 4.7在某些综合任务上回落，那才是新的新闻；如果分歧来自benchmark suite和harness差异，那它说明的是模型评测越来越难用单榜定胜负。
Grok 4.7的真正看点是xAI开始把“模型发布”写成“Agent工作流发布”。价格、速度、上下文、长任务基准、安全拒答被放在同一张桌子上，这比单独宣布一个聊天模型更接近开发者的实际采购问题。一个编码Agent是否可用，不只看它会不会生成正确patch，还要看它能否在数小时任务里持续探索、复核、拒绝危险路径，并把总成本控制在可预测范围内。
这也解释了为什么同价同速的措辞要谨慎。xAI没有说Grok 4.7相对Grok 4.6再次降价，也没有说基础版本再次提速；它说的是维持同等服务价格和速度，并在能力上改进。fast variant的说法也不是免费加速，而是两倍输出速度对应两倍价格。对企业来说，这种口径比营销标题更重要，因为它决定迁移预算是否能直接沿用Grok 4.6的模型。
早报对这条新闻维持medium置信度。发布事实、价格和模型文档是高置信；能力提升方向有官方表格和Artificial Analysis交叉支持；但关键安全数字、长程编码成绩和早期Vals分歧还需要更多独立复测。Grok 4.7很可能已经成为值得试用的一线候选，但它距离“无条件替换现有编码Agent主力模型”还差真实项目里的通过率、返工率和账单数据。
对开发者和企业买方的实际影响
开发者最直接的动作是把Grok 4.7放进可回滚的编码任务池，而不是立刻替换所有默认模型。合适的第一批任务包括：长上下文代码库定位、需要多轮终端验证的修复、文档和演示材料生成、带有安全边界的网络防御类任务。每个任务都应记录三个指标：完成率、人工复核发现的问题数、总token和总耗时。只看一次成功案例会高估长程Agent的稳定性。
企业买方则应把Grok 4.7的标价拆成两张表。一张是API标价：2美元/百万输入token、6美元/百万输出token起。另一张是工作流账单：在high或xhigh reasoning effort下，每项任务平均消耗多少输出token，失败后是否自动重试，是否需要人工把结果改回可用状态。Artificial Analysis提到的81k输出token/任务提示了这个风险：同样单价下，更啰嗦的模型仍可能带来更高总成本。
安全团队需要单独看HackerBench和LatchBio。xAI给出的HackerBench risky prompts allowed 3.3%和LatchBio 62.4%说明安全被纳入发布叙事，但这些数字不能替代组织自己的红队测试。网络安全和生物安全任务天然存在双用途边界，拒答率过低会带来滥用风险，拒答率过高又会影响合法研究和防御工作。Grok 4.7是否适合进入企业环境，取决于它能否在组织策略、审计日志和权限隔离下稳定执行。
接下来跟踪什么
后续最有价值的不是再收集更多发布转述，而是等可复验材料。第一类是官方补充：xAI是否公开CursorBench、HackerBench、LatchBio和DeepSWE的更完整任务说明，尤其是high effort、xHigh、fast variant之间的设置差异。第二类是第三方复测：Artificial Analysis模型页是否更新更多榜单，Vals是否给出非X页面或方法细节，其他benchmark能否解释为何综合分出现分歧。第三类是生产反馈：Cursor、Grok Build和API用户在真实代码库里是否得到更低返工率。
这条新闻的news peg很明确：9月21日xAI发布Grok 4.7并同步模型文档，第三方评测也在同日跟进。旧的Grok 4.6和Grok 4 Fast只适合作为价格、速度和产品线背景。今天新增的是一组长程编码Agent竞争参数：官方基准、同价同速、fast取舍、安全拒答和第三方复测分歧。真正的验证会发生在接下来几天的开发者任务日志里。