Grok 4.7 agrandit le modèle, pas le prix de l’API standard

SpaceXAI a lancé Grok 4.7 le 21 septembre avec un modèle de base plus grand et une série de changements d’entraînement et d’inférence visant les tâches longues. Cette version conserve le prix de l’API standard à $2 par million de tokens d’entrée et $6 par million de tokens de sortie. Elle arrive aussi avec une fenêtre de contexte de 500 000 tokens, quatre niveaux de raisonnement et une large disponibilité via l’API, Cursor, Grok Build, OpenRouter, Vercel et Cloudflare. La question centrale n’est pas de savoir si Grok 4.7 est une version plus grande et plus capable que la précédente, mais dans quelle mesure les éléments publiés soutiennent cette affirmation lorsqu’on distingue les benchmarks de l’éditeur et l’évaluation indépendante.

Ce qui change dans Grok 4.7

Le principal changement architectural dévoilé pour Grok 4.7 est l’utilisation d’un modèle de base plus grand. SpaceXAI indique aussi que le modèle a reçu un apprentissage par renforcement plus long pour les tâches longues, de l’auto-vérification et un entraînement au contexte long. Ce ne sont pas de simples détails de positionnement: ils décrivent un modèle conçu pour mieux fonctionner lorsque le travail s’étend sur de nombreuses étapes, lorsque les sorties doivent être vérifiées et lorsque de grands volumes de texte ou de code doivent rester visibles. L’annonce présente donc Grok 4.7 moins comme une mise à jour étroite de vitesse que comme une tentative d’améliorer le raisonnement et la persistance dans des flux de travail prolongés.

Le maintien du prix de l’API standard constitue un élément notable de cette sortie. SpaceXAI affiche une tarification standard de $2 par million de tokens d’entrée et $6 par million de tokens de sortie, même si le modèle est décrit comme plus grand et entraîné avec des méthodes supplémentaires. Pour les développeurs et les équipes qui budgètent déjà autour des coûts par token, le message est que le niveau de service par défaut n’introduit pas de prix unitaire plus élevé pour le nouveau modèle. Cela ne signifie pas que tous les coûts d’accès restent inchangés: le niveau de service plus rapide coûte deux fois le prix standard, ce qui crée une distinction nette entre l’accès de base et un service à plus faible latence.

La fenêtre de contexte de 500 000 tokens est un autre changement pratique à prendre en compte. Une fenêtre de cette taille peut, en principe, permettre à un modèle de traiter de vastes bases de code, une documentation longue, des prompts multi-fichiers ou des historiques de tâches prolongées sans le même degré de troncature. Toutefois, une grande fenêtre de contexte est une capacité annoncée, pas la garantie que le modèle utilisera toutes les parties du contexte avec la même efficacité. Le fait que Grok 4.7 ait reçu un entraînement au contexte long est pertinent, car la longueur du contexte ne prouve pas à elle seule une récupération fiable, une bonne hiérarchisation ou un raisonnement sur l’ensemble de la fenêtre.

Comment la sortie est positionnée

SpaceXAI rend Grok 4.7 disponible par plusieurs canaux: son API, Cursor, Grok Build, OpenRouter, Vercel et Cloudflare. Cette distribution compte, car elle place le modèle non seulement derrière une API directe, mais aussi dans des canaux de développement et de déploiement où le changement de modèle peut faire partie des flux de travail quotidiens. La sortie vise donc à la fois les intégrateurs directs et les utilisateurs qui atteignent le modèle via des plateformes déjà employées pour coder, construire ou router des charges de travail d’IA. Cette liste de disponibilité est une annonce de l’entreprise et doit être traitée comme telle, non comme une preuve de performance.

Les quatre niveaux de raisonnement donnent aux utilisateurs ou aux développeurs un moyen de choisir l’effort de raisonnement que le modèle doit appliquer. L’implication pratique est que toutes les tâches n’ont pas besoin d’être exécutées avec le même réglage. Les demandes plus simples peuvent ne pas nécessiter le niveau le plus élevé, tandis que les travaux plus complexes peuvent recevoir davantage de raisonnement. Les faits vérifiés ne précisent pas comment les quatre niveaux diffèrent en latence, en exactitude ou en coût; toute conclusion sur le meilleur réglage dépasserait donc les éléments disponibles. Ce que l’on peut dire, c’est que SpaceXAI expose le raisonnement comme une partie configurable du produit au lieu de le masquer entièrement derrière un mode par défaut unique.

L’auto-vérification fait aussi partie de la méthode annoncée. De manière générale, l’auto-vérification indique que le modèle est conçu pour contrôler certains aspects de sa propre sortie pendant la génération ou le raisonnement. Les informations de lancement ne fournissent pas assez de détails pour juger précisément comment ce processus est mis en œuvre, ni à quelle fréquence il prévient les erreurs. Il faut donc le comprendre comme une technique divulguée, non comme la preuve que les erreurs factuelles, les erreurs de code ou les échecs de raisonnement ont été résolus. La même prudence s’applique à l’apprentissage par renforcement plus long pour les tâches longues: il est pertinent pour la conception du modèle, mais son effet doit être évalué par les résultats.

Ce que montrent les chiffres

SpaceXAI rapporte trois résultats de benchmark pour Grok 4.7: CursorBench 46.3, DeepSWE 71 et EEBench 64. Ces chiffres relèvent de la catégorie des benchmarks éditeur, car ils sont présentés par l’entreprise à l’origine du modèle. Ils peuvent être des signaux utiles sur les tâches que SpaceXAI souhaite mettre en avant, en particulier autour du codage ou des flux de travail d’ingénierie logicielle suggérés par les noms des benchmarks et par la distribution via Cursor. Mais les benchmarks éditeur n’ont pas le même poids probant que des tests indépendants. Ils montrent ce que l’entreprise rapporte dans les conditions qu’elle a retenues; ils n’établissent pas à eux seuls une position de leader du marché ni une fiabilité générale.

Le tableau indépendant est moins favorable. Artificial Analysis attribue à Grok 4.7 un score d’intelligence de 46, contre 53 pour GPT-6 et 53 pour Claude Fable 5.1. Sur l’échelle de cet évaluateur, Grok 4.7 se situe derrière les deux modèles de tête nommés dans la comparaison. Artificial Analysis signale également un écart important sur Terminal Bench. Il s’agit de mesures indépendantes, distinctes des affirmations de benchmark de SpaceXAI. Elles n’effacent pas l’importance du modèle de base plus grand ni du maintien de la tarification standard, mais elles limitent toute affirmation selon laquelle Grok 4.7 aurait rattrapé les concurrents les plus solides en intelligence mesurée.

La différence entre les résultats de l’éditeur et les résultats indépendants constitue le point d’analyse principal. Les chiffres de SpaceXAI peuvent soutenir l’idée que Grok 4.7 progresse dans les domaines que l’entreprise mesure et promeut. Artificial Analysis appuie une autre conclusion: dans ses tests indépendants, le modèle reste derrière GPT-6 et Claude Fable 5.1, avec un écart particulièrement important sur Terminal Bench. Aucun des deux ensembles de chiffres ne prouve tout. Les benchmarks éditeur ne peuvent pas trancher un classement indépendant. Les scores indépendants ne peuvent pas décrire toutes les charges de travail privées possibles. Ensemble, ils suggèrent une sortie comportant des changements d’ingénierie significatifs, mais pas un modèle qui, au vu des éléments indépendants cités, mène le marché.

Implications pratiques

Pour les utilisateurs de l’API, l’implication pratique la plus claire est que Grok 4.7 modifie les revendications de capacités sans changer le prix standard par token. Une équipe utilisant l’accès standard verrait le même tarif affiché de $2 par million de tokens d’entrée et $6 par million de tokens de sortie, tout en obtenant l’accès au modèle plus grand, à la fenêtre de contexte de 500 000 tokens et aux quatre niveaux de raisonnement. Si le niveau plus rapide est nécessaire, le coût change de manière substantielle, car il est deux fois plus élevé que le prix standard. La structure tarifaire sépare donc la mise à niveau du modèle de la prime appliquée à un service plus rapide.

Pour les tâches longues, cette version est conçue pour être plus pertinente qu’une mise à jour de modèle centrée sur les prompts courts. L’apprentissage par renforcement plus long pour les tâches longues, l’entraînement au contexte long et l’auto-vérification pointent tous vers des cas d’usage où le modèle doit maintenir des instructions, traiter des documents étendus ou mener des opérations en plusieurs étapes. Les résultats indépendants encadrent toutefois les attentes. Un modèle de base plus grand et un contexte plus long peuvent aider dans des flux de travail complexes, mais le score de 46 attribué par Artificial Analysis, contre 53 pour GPT-6 et Claude Fable 5.1, indique que des évaluateurs indépendants voient encore un écart de performance au plus haut niveau.

Le résultat est une mise à niveau mesurée plutôt qu’un remplacement clair des modèles de tête. Grok 4.7 arrive avec une disponibilité élargie, un modèle de base plus grand, un entraînement pour tâches longues, de l’auto-vérification, un entraînement au contexte long, une tarification standard de l’API inchangée et un niveau plus rapide à coût supérieur. Les résultats CursorBench, DeepSWE et EEBench rapportés par SpaceXAI montrent le cadrage de benchmark propre à l’entreprise. Artificial Analysis apporte le contrepoids indépendant, en plaçant Grok 4.7 derrière GPT-6 et Claude Fable 5.1 et en signalant un écart important sur Terminal Bench. La sortie compte, mais les éléments disponibles ne justifient pas de la traiter comme le nouveau leader des benchmarks.