Grok 4.7 擴大模型規模，標準 API 價格不變

SpaceXAI 於 9 月 21 日發布 Grok 4.7，導入更大的基礎模型，並加入一組面向長任務的訓練與推論變更。這次發布維持標準 API 價格不變：每百萬輸入 token 為 2 美元、每百萬輸出 token 為 6 美元。它同時提供 500,000 token 的上下文視窗、四種推理層級，並透過 API、Cursor、Grok Build、OpenRouter、Vercel 與 Cloudflare 廣泛提供。核心問題不在於 Grok 4.7 是否比前一代更大、能力更強，而在於把廠商基準測試與獨立評估分開來看時，已公布證據能在多大程度上支持這項說法。

Grok 4.7 有哪些變化

SpaceXAI 披露的 Grok 4.7 主要架構變更，是使用更大的基礎模型。SpaceXAI 也表示，這個模型接受了更長時間的長任務強化學習、自我驗證，以及長上下文訓練。這些並非細微的定位差異：它們描述的是一個在工作延伸至多個步驟、輸出需要檢查，以及大量文字或程式碼必須保持可見時，意圖表現更好的模型。因此，這項發布把 Grok 4.7 呈現為不只是狹義的速度更新，而是一次嘗試改善長流程中推理與持續處理能力的版本。

標準 API 價格維持不變，是這次發布中值得注意的一部分。SpaceXAI 列出的標準定價為每百萬輸入 token 2 美元、每百萬輸出 token 6 美元，即使該模型被描述為規模更大，且採用額外訓練方法。對已經圍繞 token 成本編列預算的開發者與團隊而言，這傳達的訊息是，新模型的預設服務層級並未引入更高的單位價格。這並不代表所有存取成本都不變：較快的服務層級費用是標準價格的兩倍，明確區分了基礎存取與較低延遲服務。

500,000 token 的上下文視窗，是另一項需要實際考量的變化。理論上，這種規模的上下文視窗可讓模型處理大型程式碼庫、冗長文件、多檔案提示，或長時間執行的任務歷史，而不必面臨同樣程度的截斷。不過，大型上下文視窗是一項容量數字，並不保證模型會同等有效地使用上下文中的每一部分。Grok 4.7 接受長上下文訓練這件事具有相關性，因為上下文長度本身不能證明模型能在完整視窗中可靠地檢索、排序優先順序或進行推理。

這次發布如何被定位

SpaceXAI 讓 Grok 4.7 透過多種路徑提供：其 API、Cursor、Grok Build、OpenRouter、Vercel 與 Cloudflare。這種分發方式之所以重要，是因為它不只把模型放在直接 API 之後，也放進開發與部署管道，而模型切換可能成為日常工作流程的一部分。因此，這次發布同時面向直接整合者，以及透過既有平台接觸模型的使用者，這些平台已被用於寫程式、建置或路由 AI 工作負載。可用性清單是公司公告，應如此看待，而不是把它當成效能證據。

四種推理層級讓使用者或開發者可以選擇模型應投入多少推理力度。其實際含義是，並非每項任務都需要以相同設定執行。較簡單的請求可能不需要最高層級，而較複雜的工作可被分配更多推理。已驗證事實並未說明四個層級在延遲、準確度或成本上如何不同，因此任何關於最佳設定的結論都會超出證據範圍。可以說的是，SpaceXAI 正把推理作為產品中可設定的一部分呈現，而不是完全隱藏在單一預設模式背後。

自我驗證也是已公布方法的一部分。概括而言，自我驗證表示模型被設計為在生成或推理過程中檢查自身輸出的某些面向。發布資訊並未提供足夠細節，讓外界判斷該流程究竟如何實作，或它多常能防止錯誤。因此，它應被理解為一項已披露技術，而不是事實錯誤、程式錯誤或推理失敗已被解決的證明。同樣的謹慎也適用於長任務的更長強化學習：它與模型設計有關，但其效果仍需透過結果評估。

數字顯示了什麼

SpaceXAI 回報了 Grok 4.7 的三項基準測試結果：CursorBench 46.3、DeepSWE 71，以及 EEBench 64。這些數字屬於廠商基準測試類別，因為它們由模型背後的公司提出。它們可能是有用訊號，顯示 SpaceXAI 想強調的任務，尤其是從基準名稱以及透過 Cursor 分發所暗示的程式撰寫或軟體工程工作流程。不過，廠商基準測試的證據份量不同於獨立測試。它們顯示公司在其選定條件下回報的結果；它們本身不能確立市場領先地位或廣泛可靠性。

獨立圖像則較不有利。Artificial Analysis 給 Grok 4.7 的 intelligence score 為 46，相較之下，GPT-6 為 53，Claude Fable 5.1 也是 53。在該評估者的量表上，Grok 4.7 落後於比較中提及的兩個領先模型。Artificial Analysis 也回報，Terminal Bench 上存在很大的差距。這些是獨立測量，與 SpaceXAI 自身的基準宣稱不同。它們不抹除更大基礎模型或標準價格不變的重要性，但確實限制了任何聲稱 Grok 4.7 已追上量測智力最強競爭者的說法。

廠商結果與獨立結果之間的差異，是分析上的核心重點。SpaceXAI 的數字可以支持一種看法：Grok 4.7 在該公司正在測量與推廣的領域有所改善。Artificial Analysis 則支持不同結論：在其獨立測試中，這個模型仍落後於 GPT-6 與 Claude Fable 5.1，且在 Terminal Bench 上差距特別大。兩組數字都不能證明一切。廠商基準測試無法決定獨立排名。獨立分數也無法描述所有可能的私有工作負載。合在一起看，它們指向一個具備實質工程變更的版本，但在所引用的獨立證據上，並非領先整個領域的版本。

實務影響

對 API 使用者而言，最清楚的實務影響是，Grok 4.7 改變了能力宣稱，卻沒有改變標準 token 價格。使用標準存取的團隊，會看到相同的標示費率：每百萬輸入 token 2 美元、每百萬輸出 token 6 美元，同時取得更大的模型、500,000 token 上下文視窗，以及四種推理層級。如果需要較快層級，成本就會出現實質變化，因為它是標準價格的兩倍。因此，這套價格結構把模型升級與更快服務所需的溢價分開。

對長任務而言，這次發布的設計比短提示模型更新更具相關性。長任務的更長強化學習、長上下文訓練與自我驗證，都指向模型必須維持指令、處理大量材料，或完成多步驟操作的使用案例。即便如此，獨立結果仍為期待劃出邊界。更大的基礎模型與更長上下文可能有助於複雜工作流程，但 Artificial Analysis 給出的 46 分，相較於 GPT-6 與 Claude Fable 5.1 的 53 分，表示獨立評估者仍認為頂端表現存在差距。

結果是一次有分寸的升級，而不是對領先模型的明確取代。Grok 4.7 帶來更廣的可用性、更大的基礎模型、長任務訓練、自我驗證、長上下文訓練、不變的標準 API 定價，以及成本更高的較快層級。SpaceXAI 回報的 CursorBench、DeepSWE 與 EEBench 結果，顯示該公司自身的基準測試框架。Artificial Analysis 則提供獨立的對照，把 Grok 4.7 排在 GPT-6 與 Claude Fable 5.1 之後，並指出 Terminal Bench 有很大差距。這次發布具有意義，但現有證據不支持把它視為新的基準領先者。