Grok 4.7实测解析：马斯克的追赶战打得如何？

Grok 4.7发布：一次性价比优先的迭代

Grok 4.7正式上线，被xAI定位为其在编程和知识工作领域最强的模型。官方博客的描述很直接：它能在困难任务上工作更久、更仔细地核查自己的输出，并配备了迄今为止校准最好的安全防护机制。关键是，价格与上一代Grok 4.6完全相同——每百万输入token收费2美元，每百万输出token收费6美元。

这个定价才是理解Grok 4.7的核心。它不是最前沿的模型，但胜在离前沿只差一步，且价格远低于竞品。作为对比，GPT 5.6 Sol的价格是它的两倍多，Fable 5.1超过五倍，GPT 6 Astra也达到五倍。用视频作者的话说，很多行业愿意为最好的答案多付几倍钱，但同样有大量行业只想把知识工作自动化完成，并不追求那零点几个百分点的极致表现。

值得留意的一个背景：xAI囤积了海量算力，前期过度投资却迟迟没能造出能拉动需求的前沿模型。这种供大于求的局面，反而让它有底气把价格压得更低。

马斯克的预测兑现了吗？

本次讨论的一个有趣切入点，是马斯克此前的公开预测。大约一周前他发推称，Grok 4.7应该大致与Opus 5.0持平（而非5.1）。更早在更激进的表态中，他甚至说Grok 4.7将"超越当前所有模型"。

从实测结果看，马斯克那句"与Opus持平"的预测相对靠谱，但"超越所有模型"则明显落空。视频作者的判断是：Grok 4.7大致接近Fable 5的水平，但绝对到不了Fable 5.1。这种"激进时间表加激进预测"是典型的马斯克风格，尽管这次没完全兑现，但作者也坦言"长期而言不会押注他失败"。

延期本身也有故事。Grok 4.7原计划提前约一周半发布，马斯克解释说"还需要多烤几天"，因为模型在惩罚机制上"可能做得太过或者别的什么"，仍存在过早放弃本可完成的难题、自我核查不够严谨的问题。让模型多打磨一段时间，这一点作者是认可的。

基准测试：接近前沿，但并非全面领先

Grok 4.7在多个基准上表现出明显的"接近但未登顶"特征。在CursorBench 4.0上（注意Cursor现由xAI拥有，存在利益关联），最高思考强度下Grok 4.7得分46.3%，略逊于Opus，但运行同一测试的成本仅为对方的约一半。一个显著细节是：从低思考强度的33%到超高强度的46.3%，分差巨大，这是除GPT 5.6 Sol外最陡峭的曲线之一。

在被视为最贴近工程师真实生产体验的DeepSuite上，Grok 4.7拿到71%，GPT 5.6 Sol为72.7%，Fable 5.1为70%。这里作者点出一个问题：博客的这张对比表刻意没放Astra——而Astra在其他图表里却出现了，显得有些取巧。作者干脆让Astra自己重建了这张表，结果Astra Max以74.1%登顶。

分领域来看差异更明显。Terminal Bench 4.0（衡量agentic编程能力的关键指标）上Grok 4.7只有38%，远落后于Fable 5.1的57.9%和Astra的58.2%。但在法律工作基准上，Grok 4.7以19.6%碾压其他所有模型——不过真正的黑马是MuseSpark 1.2，以25.42%成为该项冠军。此外在GDP Val这个OpenAI自家的真实知识工作基准上，Grok 4.7以16.95 ELO表现亮眼，仅次于Fable 5.1的17.35。

CursorBench、DeepSuite、Terminal Bench是当前AI编程能力评测体系中几个各有侧重的基准。CursorBench由代码编辑器Cursor设计，模拟真实的多步骤编程任务，且支持不同"思考强度"档位，适合衡量模型在算力资源充裕时的上限表现。DeepSuite则更贴近软件工程师的实际日常——涵盖代码生成、调试、重构等典型场景，被认为比纯粹的算法题更能反映生产可用性。Terminal Bench则专注于衡量agentic编程能力，即模型自主在终端环境中规划、执行并验证多步骤任务的能力，这正是当前"AI程序员"方向最核心的能力维度之一。Grok 4.7在Terminal Bench仅38%的表现，意味着它在需要自主完成长链路工程任务的场景下仍有明显短板，而这恰恰是Fable 5.1（57.9%）和Astra（58.2%）的优势所在。

成本、开源趋势与端侧格局

在Artificial Analysis的智能指数中，Grok 4.7（超高思考强度）目前排在第五位，得分46。前四名分别是Fable 5.1、Astra、Cloud Opus 5，以及有些出人意料的MuseSpark 1.3 Max。你可能没注意到，MuseSpark 1.3、GLM 5.3 Max、Kimi K3等排在Grok前后的多个高分模型都是开源开放权重模型。

作者引用Gavin Baker的观点指出一个趋势：企业侧的总token用量正在向开放权重模型倾斜，目前开源占62%、闭源占38%，因为开源更高效、更可控、更便宜、更注重隐私。但真正的价值仍然集中流向OpenAI和Anthropic两家——你无法在没有绝对最优答案的前提下，收取绝对前沿的价格。

Grok 4.7还有两个实际短板需要留意。其一是Artificial Analysis指出它的性能提升伴随着更高的token消耗，因此"每完成一个任务的成本"会相应上升；其二是它的上下文窗口只有500k，而几乎所有其他前沿模型都做到了100万token。对普通用户这未必是问题，但做高上下文的专业工作时会成为限制。

**开放权重模型（Open-weight models）**与通常意义上的"开源"略有区别：前者公开模型权重供下载和本地部署，但不一定公开训练代码或数据集，后者则指代码与权重均完整开放。文中提到的MuseSpark 1.3、GLM 5.3 Max、Kimi K3等均属于开放权重阵营。企业采用开放权重模型的核心动机包括：数据不出本地（隐私合规）、推理成本可自控、可针对私有数据进行微调，以及避免被单一API供应商锁定。Gavin Baker所指出的"62%开源占比"这一趋势，反映的正是企业级用量在规模化后向这类模型迁移的结构性转变，而非普通消费者层面的偏好。然而，在需要绝对最优输出质量的高价值决策场景中，OpenAI与Anthropic的闭源前沿模型仍保有溢价能力。

结论：一个足够好的性价比选项

Grok 4.7不是新的前沿之王，马斯克"超越所有模型"的预言也没实现。但它在离前沿一步之遥的位置上，提供了极具竞争力的价格。马斯克本人的反应也颇具他一贯的好胜——称Grok 4.7让xAI在agentic编程上排到Anthropic和OpenAI之后的第三位。

对终端用户而言，这种竞争本身就是好事。作者的期望是Grok在4.8或4.9版本真正触及前沿。至于现在，用一句话概括就是：足够接近，且极具成本效益。