Grok 4.7 为长时间运行而打造，但大多数时候仍会失败。
内容提要
SpaceXAI 发布 Grok 4.7，采用强化学习训练，侧重高难度、耗时数小时的任务，提升自我验证与长上下文管理能力。在 Terminal-Bench 4.0 上得分从 20.3% 升至 38.0%，CursorBench 从 40.4% 升至 46.3%，但仍低于 Claude Fable 5.1 的 57.9%。模型原生支持 Grok Bot 工具框架，定价为每百万输入 2 美元、输出 6 美元，可靠性仍是挑战。
延伸解读
长时任务中的错误累积与自我验证
文章指出，长时间运行的编码代理会做出数十个决策，一个错误可能贯穿整个任务。Grok 4.7 通过强化学习提升了自我验证和长上下文管理能力，旨在让模型在错误被放大前及时发现。但 SpaceXAI 未解释具体实现方式，因此实际效果仍需验证。
基准测试进步与竞争差距
Grok 4.7 在 Terminal-Bench 4.0 上从 20.3% 提升至 38.0%，CursorBench 从 40.4% 升至 46.3%，AA Briefcase 从 1,546 升至 1,657。然而，Claude Fable 5.1 在 Terminal-Bench 上达到 57.9%，Grok 4.7 仍明显落后。这表明其进步虽大，但可靠性仍是挑战。
原生工具集成与模型锁定风险
Grok 4.7 原生理解 Grok Bot 工具框架，将部分集成工作前置到训练中，可能减少运行时开销。但这也意味着模型与特定工具模式绑定，开发者更换模型时可能牺牲代理性能。文章提到 OpenAI 也采取了类似策略，这种趋势可能增加生态锁定。
定价与成本效益的权衡
Grok 4.7 定价为每百万输入 2 美元、输出 6 美元，可能降低多小时代理运行的成本。但文章强调可靠性仍是问题，且未与其他模型价格对比。读者需注意，低成本未必能抵消因失败重试带来的额外开销。
Q&A
Grok 4.7 是什么？它的训练方法有什么特别之处？
Grok 4.7 是 SpaceXAI 发布的新模型，采用更长的强化学习训练，并特意偏向高难度、耗时数小时的任务。这种训练还提升了模型的自我验证和长上下文管理能力。
Grok 4.7 在基准测试上的表现如何？相比前代有哪些提升？
Grok 4.7 在 Terminal-Bench 4.0 上得分从 Grok 4.6 的 20.3% 提升到 38.0%；在 CursorBench 4.0 上从 40.4% 提升到 46.3%；在 AA Briefcase v1.1 上从 1,546 提升到 1,657。
Grok 4.7 与 Claude Fable 5.1 相比如何？
在 Terminal-Bench 4.0 上，Grok 4.7 得分为 38.0%，而 Claude Fable 5.1 达到 57.9%，Grok 4.7 仍落后于 Fable 5.1。
Grok 4.7 如何解决长时间运行任务中的错误累积问题？
SpaceXAI 通过更好的上下文管理和自我验证来应对。模型在长时间运行中能跟踪不断增长的交互历史，并检查每一步是否有效，从而在错误被放大前发现并纠正。
Grok 4.7 对 Grok Bot 工具框架的原生支持有什么意义？
Grok 4.7 被训练为原生理解 Grok Bot 工具框架，使模型与周边基础设施更紧密集成。这可以减少工具使用和多步执行的开销，因为模型无需在运行时通过提示学习每种工具格式和交互模式。
Grok 4.7 的定价是多少？可靠性方面存在什么问题？
Grok 4.7 定价为每百万输入 token 2 美元、每百万输出 token 6 美元。虽然多小时的 agent 运行成本可能更低，但可靠性仍是问题，例如在 Terminal-Bench 上得分 38.0%，远低于 Fable 5.1 的 57.9%。
