Grok 4.7 vergrößert das Modell, nicht den Standardpreis der API

SpaceXAI hat Grok 4.7 am 21. September veröffentlicht, mit einem größeren Basismodell sowie mehreren Änderungen bei Training und Inferenz, die auf längere Aufgaben zielen. Der Standardpreis der API bleibt unverändert bei 2 US-Dollar pro Million Eingabetoken und 6 US-Dollar pro Million Ausgabetoken. Dazu kommen ein Kontextfenster mit 500.000 Token, vier Reasoning-Stufen und eine breite Verfügbarkeit über die API, Cursor, Grok Build, OpenRouter, Vercel und Cloudflare. Die zentrale Frage ist nicht, ob Grok 4.7 größer und leistungsfähiger als der Vorgänger angelegt ist, sondern wie weit die veröffentlichten Belege diese Einordnung tragen, wenn Hersteller-Benchmarks und unabhängige Bewertungen getrennt betrachtet werden.

Was sich bei Grok 4.7 geändert hat

Die wichtigste offengelegte Architekturänderung bei Grok 4.7 ist der Einsatz eines größeren Basismodells. SpaceXAI sagt außerdem, das Modell habe längeres Reinforcement Learning für lange Aufgaben, Selbstverifikation und Long-Context-Training erhalten. Das sind keine nebensächlichen Produktdetails: Sie beschreiben ein Modell, das besser arbeiten soll, wenn Aufgaben viele Schritte umfassen, Ausgaben geprüft werden müssen und große Mengen an Text oder Code im Blick bleiben sollen. Die Ankündigung positioniert Grok 4.7 damit weniger als reines Geschwindigkeitsupdate, sondern eher als Versuch, Reasoning und Durchhaltefähigkeit über ausgedehnte Arbeitsabläufe hinweg zu verbessern.

Der unveränderte Standardpreis der API ist ein auffälliger Teil der Veröffentlichung. SpaceXAI nennt weiterhin 2 US-Dollar pro Million Eingabetoken und 6 US-Dollar pro Million Ausgabetoken, obwohl das Modell als größer und mit zusätzlichen Methoden trainiert beschrieben wird. Für Entwickler und Teams, die bereits mit Tokenkosten kalkulieren, lautet die Botschaft, dass die Standardstufe des Dienstes keinen höheren Einheitspreis für das neue Modell einführt. Das bedeutet nicht, dass alle Zugriffskosten unverändert bleiben: Die schnellere Dienststufe kostet das Doppelte des Standardpreises und schafft damit eine klare Trennung zwischen Basiszugang und niedrigerer Latenz.

Das Kontextfenster mit 500.000 Token ist eine weitere praktische Änderung. Ein Kontextfenster dieser Größe kann einem Modell grundsätzlich ermöglichen, große Codebasen, umfangreiche Dokumentationen, Prompts mit mehreren Dateien oder lange Aufgabenverläufe mit weniger Kürzung zu verarbeiten. Ein großes Kontextfenster ist jedoch eine Kapazitätsangabe, keine Garantie dafür, dass das Modell jeden Teil des Kontexts gleich gut nutzt. Dass Grok 4.7 Long-Context-Training erhalten hat, ist deshalb relevant, weil die reine Kontextlänge keine zuverlässige Wiederauffindung, Priorisierung oder Schlussfolgerung über das gesamte Fenster hinweg beweist.

Wie die Veröffentlichung positioniert wird

SpaceXAI stellt Grok 4.7 über mehrere Wege bereit: über die eigene API, Cursor, Grok Build, OpenRouter, Vercel und Cloudflare. Diese Verteilung ist wichtig, weil sie das Modell nicht nur hinter eine direkte API stellt, sondern auch in Entwicklungs- und Bereitstellungskanäle bringt, in denen Modellwechsel Teil alltäglicher Arbeitsabläufe sein können. Die Veröffentlichung richtet sich damit sowohl an direkte Integratoren als auch an Nutzer, die das Modell über Plattformen erreichen, die bereits für Programmierung, Build-Prozesse oder das Routing von KI-Workloads verwendet werden. Diese Verfügbarkeitsliste ist eine Unternehmensankündigung und sollte als solche behandelt werden, nicht als Leistungsnachweis.

Die vier Reasoning-Stufen geben Nutzern oder Entwicklern eine Möglichkeit, festzulegen, wie viel Schlussfolgerungsaufwand das Modell einsetzen soll. Praktisch bedeutet das, dass nicht jede Aufgabe mit derselben Einstellung laufen muss. Einfachere Anfragen benötigen möglicherweise nicht die höchste Stufe, während komplexere Arbeit mehr Reasoning zugewiesen bekommen kann. Die verifizierten Fakten nennen nicht, wie sich die vier Stufen bei Latenz, Genauigkeit oder Kosten unterscheiden. Jede Aussage über die beste Einstellung würde daher über die Belege hinausgehen. Festhalten lässt sich, dass SpaceXAI Reasoning als konfigurierbaren Teil des Produkts sichtbar macht, statt es vollständig hinter einem einzigen Standardmodus zu verbergen.

Auch Selbstverifikation gehört zu den angekündigten Methoden. Allgemein bedeutet Selbstverifikation, dass das Modell darauf ausgelegt ist, Aspekte seiner eigenen Ausgabe während der Generierung oder des Reasonings zu prüfen. Die Informationen zur Veröffentlichung liefern nicht genug Details, um genau zu beurteilen, wie dieser Prozess umgesetzt ist oder wie häufig er Fehler verhindert. Er sollte daher als offengelegte Technik verstanden werden, nicht als Beweis dafür, dass sachliche Fehler, Programmierfehler oder Reasoning-Fehlschläge gelöst sind. Dieselbe Vorsicht gilt für das längere Reinforcement Learning für lange Aufgaben: Es ist für das Modelldesign relevant, doch seine Wirkung muss anhand von Ergebnissen bewertet werden.

Was die Zahlen zeigen

SpaceXAI meldet drei Benchmark-Ergebnisse für Grok 4.7: CursorBench 46,3, DeepSWE 71 und EEBench 64. Diese Werte gehören in die Kategorie der Hersteller-Benchmarks, weil sie von dem Unternehmen präsentiert werden, das hinter dem Modell steht. Sie können nützliche Signale dafür sein, welche Aufgaben SpaceXAI betonen will, insbesondere rund um Coding- oder Software-Engineering-Workflows, wie es die Benchmark-Namen und die Distribution über Cursor nahelegen. Hersteller-Benchmarks haben jedoch nicht dasselbe Gewicht wie unabhängige Tests. Sie zeigen, was das Unternehmen unter den von ihm gewählten Bedingungen berichtet; für sich allein belegen sie weder Marktführerschaft noch breite Zuverlässigkeit.

Das unabhängige Bild fällt weniger günstig aus. Artificial Analysis gibt Grok 4.7 einen Intelligence Score von 46, gegenüber 53 für GPT-6 und 53 für Claude Fable 5.1. Auf der Skala dieses Evaluators liegt Grok 4.7 damit hinter beiden in dem Vergleich genannten führenden Modellen. Artificial Analysis berichtet außerdem eine große Lücke bei Terminal Bench. Das sind unabhängige Messungen, getrennt von den Benchmark-Angaben von SpaceXAI selbst. Sie nehmen dem größeren Basismodell und dem unveränderten Standardpreis nicht ihre Bedeutung, begrenzen aber jede Aussage, Grok 4.7 habe bei gemessener Intelligenz zu den stärksten Wettbewerbern aufgeschlossen.

Der Unterschied zwischen Herstellerwerten und unabhängigen Ergebnissen ist der zentrale analytische Punkt. Die Zahlen von SpaceXAI können die Sicht stützen, dass Grok 4.7 in Bereichen besser wird, die das Unternehmen misst und hervorhebt. Artificial Analysis stützt eine andere Schlussfolgerung: In den unabhängigen Tests liegt das Modell weiterhin hinter GPT-6 und Claude Fable 5.1, mit einer besonders großen Lücke bei Terminal Bench. Keine der beiden Zahlengruppen beweist alles. Hersteller-Benchmarks können kein unabhängiges Ranking abschließend klären. Unabhängige Werte können nicht jede mögliche private Arbeitslast abbilden. Zusammen deuten sie auf eine Veröffentlichung mit relevanten technischen Änderungen hin, aber nicht auf ein Modell, das nach den zitierten unabhängigen Belegen das Feld anführt.

Praktische Folgen

Für API-Nutzer ist die klarste praktische Folge, dass Grok 4.7 die Leistungsansprüche verändert, ohne den Standardpreis pro Token zu ändern. Ein Team mit Standardzugang sähe weiterhin den gelisteten Satz von 2 US-Dollar pro Million Eingabetoken und 6 US-Dollar pro Million Ausgabetoken, bekäme aber Zugriff auf das größere Modell, das Kontextfenster mit 500.000 Token und die vier Reasoning-Stufen. Wird die schnellere Stufe benötigt, ändern sich die Kosten deutlich, weil sie das Doppelte des Standardpreises kostet. Die Preisstruktur trennt damit das Modell-Upgrade vom Aufpreis für schnelleren Dienst.

Für lange Aufgaben ist die Veröffentlichung relevanter angelegt als ein Update für kurze Prompts. Längeres Reinforcement Learning für lange Aufgaben, Long-Context-Training und Selbstverifikation verweisen auf Anwendungsfälle, in denen das Modell Anweisungen aufrechterhalten, umfangreiches Material verarbeiten oder mehrstufige Abläufe bearbeiten muss. Dennoch setzen die unabhängigen Ergebnisse eine Grenze für Erwartungen. Ein größeres Basismodell und ein längerer Kontext können bei komplexen Workflows helfen, aber der Score von 46 bei Artificial Analysis gegenüber 53 für GPT-6 und Claude Fable 5.1 zeigt, dass unabhängige Evaluatoren am oberen Ende weiterhin eine Leistungslücke sehen.

Das Ergebnis ist ein maßvolles Upgrade, nicht eine klare Verdrängung der führenden Modelle. Grok 4.7 kommt mit breiterer Verfügbarkeit, größerem Basismodell, Training für lange Aufgaben, Selbstverifikation, Long-Context-Training, unverändertem Standardpreis der API und einer schnelleren Stufe zu höheren Kosten. Die von SpaceXAI gemeldeten Ergebnisse für CursorBench, DeepSWE und EEBench zeigen den eigenen Benchmark-Rahmen des Unternehmens. Artificial Analysis liefert das unabhängige Gegengewicht, platziert Grok 4.7 hinter GPT-6 und Claude Fable 5.1 und nennt eine große Lücke bei Terminal Bench. Die Veröffentlichung ist relevant, doch die verfügbaren Belege stützen nicht die Einordnung als neuer Benchmark-Spitzenreiter.