专题 · FULL STORY

Grok 4.7：从泄露目录到发布与实测

9月21日Grok 4.7疑似现身OpenCode Zen目录引发发布倒计时猜测，次日xAI正式官宣，以同价同速带来基准大涨。随后实测口碑走高，但token消耗翻倍与Bug Hunt Bench成绩无代际提升引发争议，并与同夜发布的小米MiMo-V2.6展开性价比对比。

2026-09-21 ~ 2026-09-23 · 9 集 · 136 条

第 1 集 · Grok 4.7 疑似现身 OpenCode Zen 目录，发布倒计时(2026-09-21,5 条)

9 月 21 日，xAI 下一代模型 Grok 4.7 疑似进入发布倒计时：多位 X 用户发现 grok-4.7 短暂出现在 OpenCode Zen 的模型目录中，随后被删除，被广泛解读为发布临近的信号。同日另有用户爆料称 Grok 4.7 将于当天下午发布，并给出具体规格与定价信息。目前 xAI 官方未作任何确认。

已确认

  • grok-4.7 确实出现在 OpenCode Zen 的模型目录中，随后被删除。@kimmonismus、@CurieuxExplorer、@socialwithaayan 均报告了这一发现，@CurieuxExplorer 调侃称能出现在菜单里，说明它已经在厨房里了。
  • xAI 官方截至目前未就 Grok 4.7 的发布作出确认。

尚未确认

  • @ns123abc 发帖称 Grok 4.7 将于今日下午早些时候发布，并附截图为据，但无官方依据。
  • @realsohamparekh 爆料称 Grok 4.7 今日发布，规格为 500K tokens 上下文窗口、支持多模态、定价与 Grok 4.6 相近。该消息来自个人账号，未经 xAI 证实。
  • @kimmonismus 与 @socialwithaayan 均预测本周是「大模型发布周」：xAI 之后 OpenAI（Dev Day）与 Anthropic 可能接连有动作，此为个人推测。

为什么重要

  • OpenCode Zen 目录中短暂出现的模型名通常被视为供应商正式上线前的先兆，因此该事件被社区视为 xAI 新模型即将发布的强信号。
  • 若 500K 上下文与多模态、定价持平 Grok 4.6 的传闻属实，Grok 4.7 将在长上下文与性价比上对同期竞品形成直接竞争，但一切以 xAI 官方公告为准。

第 2 集 · xAI 发布 Grok 4.7：同价同速升级，基准大涨(2026-09-21,59 条)

xAI 于 9 月 22 日正式发布 Grok 4.7，官方称其为迄今最强的编码与知识工作模型，在与 Grok 4.6 相同的价格和速度下带来显著提升。模型已在 Grok Build、Cursor 等产品可用，官方模型卡显示多项基准大幅上涨，但 TheAIGRID 汇总的早期第三方测试（如 ValsAI）显示整体表现与部分社区预期存在差距，后续实际口碑仍待观察。

已确认

  • 官宣与上线：9 月 21 日已有 Reddit 帖转发 xAI 官方新闻页的发布消息，9 月 22 日 xAI 官方账号 SpaceXAI 正式公告，马斯克多次转发；模型在 Grok Build、Cursor 等产品可用，终端运行 grok update 即可升级，Grok Build 中支持 Low/Medium/High/Extra High 四档推理力度。
  • 定价与 4.6 持平：输入 $2/百万 token、输出 $6/百万 token；官方同时宣称速度为同类模型两倍、价格一半（另有爆料提到双倍价格的双速版，未获官方公告确认）。
  • 模型改进：采用新的更大基础模型，针对耗时数小时的多步任务做了更长强化学习训练，更擅长自我验证与长上下文保持，原生理解 Grok Bot 系统，并号称带来迄今最强的安全护栏。核心成员 haozhuwang 介绍模型专门在更长时序问题上训练。
  • 基准提升（模型卡，经马斯克转发）：Terminal-Bench 20.3% → 38.0%；SWE-Marathon 31.9% → 46.0%；CursorBench 4.0 40.4% → 46.3%；Harvey 法律基准大涨；HealthBench Pro 等多项基准亦有提升。
  • 官方放出 4.6 vs 4.7 对比演示：两代模型同题搭建开放世界城市游戏，以及用 AI 构建《帝国时代 II》的对比。
  • 实际应用案例：云存储公司 Box 放出 Agent 预览实测，用 Grok 4.7 处理一笔 200 万美元保险理赔，揪出 8.2 万美元重复发票。
  • 团队与生态：发布成员 aksheyd 表示团队花大量时间打磨 harness 并与顶尖工程方合作；早期用户反馈其在编码、工程与 3D 任务上表现出色，在 Grok Build 和 Cursor 中以高 TPS 运行。
  • NVIDIA 官方转发祝贺，表示为 xAI 提供加速算力支持。
  • 早期第三方反馈：TheAIGRID 汇总多条实测推文指出，ValsAI 等第三方评测账号的早期测试结果显示 Grok 4.7 整体表现与社区预期存在差距。

尚未确认

  • @AlexFinn 称 Grok 4.7 是专为 Grok Bot 训练的「全智能体模型」、目标是替用户完成知识型工作，此说法仅来自单一爆料账号，官方公告未直接采用该表述（但官方确认模型原生理解 Grok Bot 系统，部分印证了与 Grok Bot 的协同定位）。
  • @Polymarket 账号发帖宣称「速度翻倍、价格减半」，与官方实际定价（与 4.6 持平）表述存在出入，应以官方公告为准。
  • @markk 在发布前爆料的双速版定价信息未被官方公告提及。

为什么重要

  • 同价同速叠加 Terminal-Bench 近翻倍、CursorBench 与法律基准大涨，直接提升 Grok 在 agent、终端任务与专业知识工作场景的性价比竞争力。
  • 强调数小时级长程任务、自我检查与 Grok Bot 原生协同，叠加 Box 的理赔实测案例，表明 xAI 正把面向真实工作流的全智能体场景作为主要竞争方向。
  • 有评论指出其电子工程（EE）成绩值得关注——SpaceX 拥有软件公司没有的工程数据，可能构成独特训练优势。
  • 早期第三方评测与官方宣传之间的落差提示，正式基准之外的真实场景表现仍是判断该模型竞争力的关键。

还有 39 条相关讨论 →

第 3 集 · Grok 4.7 发布首日实测：自主工作与编程口碑全面走高(2026-09-22,17 条)

9 月 22 日 xAI 发布 Grok 4.7，发布首日即在开发者社区引发大量实测分享，口碑整体偏向正面，普遍认为较 Grok 4.6 有显著进步。该模型初期仅在 Grok CLI 中可用，网页版和 Grok bot 尚未上线（vista8）。

已确认

  • 开发者 ScriptedAlchemy 称 Grok 4.7 围绕同一目标连续自主工作超过 70 小时，对细节把控明显更好，50 万 token 上下文发挥作用（m3）
  • 开发者 Matt Shumer 称 4.7 是「非常好用的日常主力模型」，相比 4.6 是巨大进步（m2）
  • 开发者 tetsuoai 实测 Grok 4.7 在约 7 小时内用纯 C 语言（基于 SDL2 和 OpenGL）构建了自定义游戏引擎和可玩 FPS，称其为目前最喜欢的编程模型，推荐用 Grok Heavy 模式跑满 token（m4、m5）
  • 有开发者认为 4.7 对 system prompt 的遵循度显著提升，反驳公开基准太差的负面报道，认为基准和 3D 游戏演示不能反映真实工作能力（m1）
  • 开发者 DanielFarinax 测试了程序化生成手表爆炸视图、HTML 水杯等生成任务，评价可圈可点；他还在用 4.7 重建 Grok 驱动的浏览器 Xplor，称实现了 4.6 做不到的多个功能，能跟上所有复杂请求，但体感 3D 相关任务表现不佳、仍需极限提示（m8、m14）
  • 开发者 Baconbrix 要求基于德州 Boca Chica 生成程序化游戏地图，模型跑了一整晚，自动加入生物群系、昼夜循环、萤火虫与沼泽气泡粒子等细节，令其印象深刻（m15）
  • vista8 实测一句话生成可玩的植物大战僵尸网页游戏，僵尸和道具均由 SVG 绘制，画风「好丑好萌」（m11、m12、m17）
  • 网友汇总发布首日 10 个极限用例，包括用 Boost Grok Bot 提升生产力、帮企业发现价值 14.6 万美元的错误、生成 Blender 场景、布料模拟、机械臂动画等，评论区还有人在追问 50 万 token 上下文的获取方式；CodeByPoonam 亦盘点发布 24 小时内社区晒出的 7 个用例（m7、m10、m13、m16）

尚未确认

  • 有用户贴出标注为 Grok 4.7 与 4.6 的开放世界城市游戏构建对比视频，显示 4.7 在复杂 3D 建模、碰撞物理、运动学和光照等方面明显更强，被围观者称为「最欢乐的 benchmark」，但该版本号未获官方证实（m6、m9）；且与 DanielFarinax 认为 3D 任务表现不佳的体感存在张力
  • DanielFarinax 用 4.7 重建浏览器 Xplor 的说法为其自述，未经第三方验证（m14）

为什么重要

首日实测集中在长时间自主工作、超长上下文利用和低层系统编程等真实工程场景，而非公开基准分数，这为评估前沿模型的实际生产力提供了第三方口碑参照；50 万 token 上下文在真实任务中见效与 70 小时连续自主工作，若被更多验证，将是对 AI 编程代理能力边界的重要信号。

第 4 集 · Grok 4.7 发布：评测能力大涨但 token 消耗翻倍引争议(2026-09-22,25 条)

Grok 4.7 于 09-22 由 Elon Musk 宣布发布，随即集中接受 Artificial Analysis（AA）等第三方评测。总体结论是能力显著上升但 token 消耗大幅增加：AA 智能指数给到 46 分（xhigh 推理档），比 Grok 4.6 高 2 分，xAI 首次跻身智能指数前四实验室；在多小时办公任务基准 AA-Briefcase 上以 58% 胜率位居第二，仅比榜首 Claude Fable 5.1 Max（59%）低 1 分，领先 GPT-6 Astra；但每任务约 81k 输出 token、较前代翻倍以上，AA 口径下单任务成本反超 Astra，引发社区关于性价比的争议。

已确认

  • AA 评测：智能指数 46 分（Grok 4.6 为 44），幻觉率从 34% 降至 29%；输出速度约 188 tokens/秒，智能指数任务平均每任务耗时约 7.1 分钟
  • AA-Briefcase 得 1657 Elo，较 Grok 4.6 (high) +111，仅次于 Claude 系列；分析质量 Elo 升至 1994，领先 GPT-6 Astra +88 Elo；GDPval-AA 专业交付物基准领先 GPT-6 Astra +153 Elo
  • 胜率口径：Grok 4.7 xHigh 以 58% 位居第二，仅比 Claude Fable 5.1 Max（59%）低 1 分
  • AA 称在 AA-Briefcase 尽调场景中 Grok 4.7 的每任务成本约为 Opus 5 的一半
  • 编程：CursorBench 4.0 得 46.3%，几乎追平 Opus 5 Max 的 46.6%；CursorBench 从 40.4% 升至 46.3%，EEBench 从 53% 升至 64%；配合 Grok Build 编程 Agent，Coding Agent Index 从 47 升至 56
  • 成本与消耗：Grok 4.7 (xhigh) 每任务约消耗 81k 输出 token，是 Grok 4.6 (xhigh) 的两倍多；AA 对比中单任务成本高于 GPT-6 Astra
  • 案例展示：AA-Briefcase 尽调场景中，Grok 4.7 能独立跑通逐步估值链并质疑交易伙伴的简估；另一例中它分析完整三年财报，识破汇率掩盖的增长真相，而 4.6 只用最新年度数据
  • FinanceYF5 对比 Grok 4.7 与 4.6 制作的开放世界城市游戏 Demo，称 4.7 能持续工作更久、验证更充分、成品质量更好，且价格保持不变

尚未确认

  • XFreeze 的个人实测称同一编码任务下 Grok 4.7 xHigh 输出与 Opus 5 Max 基本相当且成本不到一半、token 与步骤更少，属个人口径，与 AA 相对 Astra 的成本劣势并不矛盾
  • 有博主用同一 prompt、最高推理档位实测：Grok 4.7 耗时 32 分钟、花费 8.14 美元完成任务，而免费的 SWE 2 仅 15 分钟、成本 0 美元，差距悬殊（个人实测）
  • ChrisGPT 声称 Grok 4.8 将于 11 月底前推出，且称 Grok 4.7 单任务成本高于 GPT，属爆料性质

为什么重要

  • 用户 Angaisb 与 Theo（转发）等指出，Grok 4.7 每任务 token 消耗接近 Astra 的 3 倍、比 Grok 4.6 多约 2.25 倍，「同价同速」宣传下实际使用成本可能更高；Angaisb 认为 OpenAI 是唯一认真在意 token 效率的实验室，Theo 转发则称 Grok 4.7 价格不再便宜、AA 对比中成本已高于 Astra
  • 有网友（ivanbezdomny 转述）质疑：Grok 4.7 xhigh 多耗约 2.5 倍 token 仅比前代高 2 分，智能指数涨幅的「含金量」需按性价比衡量
  • 对重度 API 用户而言，xAI 新版在能力追平头部模型的同时单位成本上升，选型需按自身任务重算用量；而其在多小时 agent 任务上的分析深度提升（如三年财报与估值链案例）对专业工作场景是明确的能力增量

还有 5 条相关讨论 →

第 5 集 · Grok 4.7 被指逼近顶级前沿模型，性价比成焦点(2026-09-22,2 条)

X 用户 XFreeze 发帖称 Grok 4.7 已大幅缩小与最贵前沿模型的差距，并以极低成本在部分领域反超，附有对比图表，但该消息未经 xAI 官方证实，具体基准与定价数据仍需等待官方信息。博主 lemire 也提醒，Grok 4.7 在能力上逼近 Claude 和 GPT 的说法应结合定价一起看待，并附上定价对比图，暗示价格维度的竞争格局同样关键。

第 6 集 · Grok 4.7 上市即有开源编辑器插件，装机超 14 万(2026-09-22,3 条)

Grok 4.7 发布当天即出现非官方的开源编辑器插件，可在 VS Code、Cursor 和 Antigravity 中使用，通过 Open VSX 与 VS Code Marketplace 分发，装机量已超 14 万。开发者 Pawel Huryn 证实了安装渠道并展示 Grok 4.6 的使用截图，同时借回应截图争议的机会推广自己的 AFK Pilot 项目。

第 7 集 · Bug Hunt Bench 实测：GPT-6 登顶，MiMo 性价比惊艳(2026-09-22,18 条)

独立评测者 Pawel Huryn(The Product Compass 作者)构建并公开了评测站 Bug Hunt Bench:在两个真实代码仓库中选取 105 个 bug,让各家前沿模型查找并修复,由跨模型家族的盲评裁判对照私密答案打分,未修复或漏判记 0 分,每模型多轮运行取统计量。结果显示 GPT-6 Astra(max)以修复 45 个居首($33.03,n=3),Opus 5.5 追平 GPT-6 且成本仅约一半,小米新发布的 MiMo-V2.6-Pro 得 22.7 分仅花 $0.86 被其称为性价比标杆,而 Grok 4.7 未见代际提升。

已确认

  • 评测方法:两个真实仓库、105 个 bug、每仓库单 prompt、跨模型家族评委对照答案密钥盲评、未修复或漏判记 0 分、每模型多轮运行取统计量,发布于 Bug Hunt Bench(bughunt.productcompa…)。
  • 榜单成绩:GPT-6 Astra(max)45 分第一($33.03,n=3);Opus 5.5 追平 GPT-6、成本约一半;Muse Spark 1.3(max)32.2 分($18.11);GPT-5.6 Luna(max)31.5 分($2.82);MiMo-V2.6-Pro 22.7 分($0.86);Grok 4.7 与 4.6 均约 28.7。各模型成本相差近 200 倍。
  • 另一组阶段性横评(m8、m10):GPT-6 Astra(max)45 分(n=3)、Fable 5.1(max)43 分(n=1)、GPT-5.6(max)42.5 分、Opus 5.5(max)41.7 分;同口径下 GPT-6 Sol(max)只修 29.3 个、大幅退化垫底全场(m1、m9);GPT-5.6 Sol(max)43.5 分;Huryn 还观察到 Opus 5.5 推理力度越低掉分越狠。
  • 难度定位澄清(m14):这 105 个 bug 并非随机挑选,而是 2026 年初前沿模型一开始集体未能解决的高难度问题;未主动植入的真实 bug 不计入成绩,因为 OpenAI 会大量报告真实、理论上的 bug。
  • Grok 追加实验(m11、m15):high 档 Grok 4.6 以 23 比 19 胜过 4.7,4.6 的 medium 档也更好;max 档 4.7 追加第四轮(n=4)后仅以 0.1 分反超 4.6,此前 xhigh 档三次运行也未拉开差距,作者判定 0.1 分领先属随机噪声并停止该难度档测试。

尚未确认

  • Huryn 疑似 Grok 4.7 针对热门榜单优化、而非真实代码能力提升,属其个人推测,尚无其他证据佐证。
  • 该自建基准(仅两个仓库、难题偏选)能否推广到真实工程场景,仍有待更多独立复现。GregGL87 等转发者对 MiMo 性价比的推崇亦属转述评价。

为什么重要

  • 基准刻意选取「全体前沿模型集体失手」的难题,并公开成本数据,直观展示了模型间能力与性价比的巨大差距(MiMo-V2.6-Pro 以约 1/38 的价格拿到 GPT-6 约一半的分数),为关注真实编程能力的开发者提供了区别于官方宣传的第三方参考。
  • Grok 4.7 在此基准上未体现实质代际提升,GPT-6 Sol 相比 Astra 大幅退化,对追踪各家模型进展的观察者是有价值的第三方信号。

第 8 集 · Grok 4.7 与小米 MiMo-V2.6 同夜对狙(2026-09-22,5 条)

9 月 22 日凌晨，xAI 延迟两周发布的 Grok 4.7 与小米 MiMo-V2.6 同夜先后上线，一场贴身对比随即展开：第三方测评显示两者能力相近，但价格差异巨大，MiMo-V2.6 输出价仅为 Grok 4.7 的约 1/16 至 1/20，Grok 4.7 被多位评论者认为低于预期。

已确认

  • 小米在 19 日直播 RL 训练过程 5 天后，一口气发布 MiMo-V2.6 三个版本：Pro、Flash 和 Pro-UltraSpeed，其中 Pro-UltraSpeed 输出速度最高达 Pro 的 20 倍；价格延续低价策略，Pro 缓存命中输入 0.025 元/百万 token。MiMo-V2.6 登上开源榜第一（@卡尔的AI沃茨）。
  • Grok 4.7 为 2.1T 参数全新预训练，上下文仍为 500K；Cognition 宣布 Grok 4.7 上线 Devin，在 FrontierCode 1.1 Extended 上得 59.4%，官方称其在困难后端工程任务上表现很好（@airesearch12）。
  • 价格对比：Grok 4.7 输出贵至 ¥40/M token，MiMo-V2.6 输出约 ¥2，便宜约 16 倍，部分口径称 1/20（@op7418、@歸藏的AI工具箱、@卡尔的AI沃茨）。

各方评价

  • @op7418 观察称当前模型发布只剩两个极端：最便宜或最前沿，否则没有讨论度和使用度。
  • @数字生命卡兹克 实测认为 Grok 4.7 低于预期，AA 指数 46 分；@airesearch12 转述网友观点，认为 Grok 4.7 令人失望，MiMo 更便宜且智能相近。

为什么重要

同日发布的两款模型能力相近、价格相差一个数量级，凸显开源低价模型对闭源前沿模型的直接冲击，「开源第一易主、价格再砍半」成为本轮讨论的核心叙事。

第 9 集 · xAI 九周连发三代 Grok 模型引热议(2026-09-22,2 条)

据 XFreeze 等账号盘点，xAI 在约 9 周内连续发布三个前沿模型：7 月 16 日的 Grok 4.5、8 月 12 日的 Grok 4.6 和 9 月 21 日的 Grok 4.7。如此高频的迭代节奏引发热议，被视为 xAI 前沿模型快速演进的标志性表现。