2026年9月21日，第三方评测机构 Artificial Analysis 发布 Grok 4.7 完整评测。结论很集中：这是一次"智能体能力优先"的版本升级——Grok 4.7 在 Intelligence Index 拿到 46 分（比 4.6 高 2 分），把 xAI 送进全球前四的 AI 实验室行列；真正的跳跃发生在编码智能体上。
三个关键数字
第一，智能体知识工作。AA-Briefcase（长周期智能体知识工作私有基准）1657 Elo，比 Grok 4.6 高 111 分，仅次于 Claude Opus 5 和 Claude Fable 5.1，正式进入第一梯队；GDPval-AA 1695 Elo，同样领先上代 90 分。
第二，编码智能体。Grok 4.7（xhigh 推理档）搭配官方编码智能体 Grok Build，在 Coding Agent Index 拿到 56 分，比 4.6 高 9 分；在原生 harness 的排名中位列第四，仅次于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5，超过了 GPT-5.6 Sol。分项看，DeepSWE v1.1 从 65% 涨到 73%，Terminal-Bench 4.0 从 18% 翻到 33%。
第三，马斯克的定调。马斯克引用这份评测表示，Grok 4.7 让 xAI 在智能体编码领域排名第三，仅次于 Anthropic 和 OpenAI。
分数背后的成本账
涨分不是免费的。评测在 xhigh 推理档下进行，Grok 4.7 每个 Intelligence Index 任务平均消耗约 8.1 万输出 token，是 Grok 4.6（xhigh，约 3.8 万）的两倍多，比 GPT-6 Astra（max，2.7 万）多出近两倍。输出速度约 188 token/秒，平均每个任务跑 7.1 分钟。
好消息是定价没涨：输入输出仍是每百万 token 2 美元 / 6 美元，缓存命中的输入 0.5 美元；上下文窗口维持 50 万 token；推理强度从 low 到 xhigh 可调。换句话说，xAI 把"更强"做成了"用更多推理换更多分数"，账单涨幅用户自己可控。
怎么看这次升级
Grok 4.7 的策略很清晰：不去卷通用问答的边际提升，把推理预算押注到智能体任务上——长周期知识工作和编码代理恰好是商业化最直接的两个场景。幻觉率从 34% 降到 29% 是个积极信号，但准确率 47% 对 48% 基本原地踏步，说明这次赢的是"干活能力"，不是"知识本身"。
对开发者来说，Grok Build 加 Grok 4.7 值得一试，但要先算好推理账单：xhigh 档的分数很漂亮，日常用 high 档可能才是性价比的甜点区。
