成吉思鸡
@xiaoben
Grok 4.7 发布了，Artificial Analysis 的评测也跟着出来了。
这次的变化不在"智力分又涨了多少"，而在它终于把 agentic 那部分补上来了。
先看分数
- Intelligence Index：46 分，比 Grok 4.6 高 2 分，SpaceXAI 因此进入前四实验室
- AA-Briefcase（他们自家的私有基准，测长程 agentic 知识工作）：比 Grok 4.6 (high) 高 111 Elo，拿到 1657 Elo，和 Claude Opus 5、Claude Fable 5.1 站在同一档
- GDPval-AA：1695 Elo，比 Grok 4.6 (high) 高 90
- 编码 Agent：在 Artificial Analysis Coding Agent Index 上 56 分，比 Grok 4.6 (xhigh) 高 9 分
这里有个容易被忽略的限定词：那是"原生 harness"口径。Grok 4.7 配的是自家的 Grok Build，榜单上其他模型也各配自家的工具链。换到统一的第三方脚手架里重测，名次未必照旧 —— 看这类榜，先分清它比的是模型本身，还是模型加脚手架。
"第三"还是"第四"，取决于你数什么
马斯克转发时的说法是：Grok 4.7 在 agentic coding 上排第三，仅次于 Anthropic 和 OpenAI。
评测机构的口径是按模型排：Grok 4.7 + Grok Build 在原生 harness 里排第 4，前面是 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5 —— 其中两个来自 Anthropic、一个来自 OpenAI。
两种说法不矛盾：一个是按实验室数，一个是按模型数。看这类发布，先确认对方数的是哪一个，再去比排名。
涨的地方和跌的地方
提升：Terminal-Bench 4.0 涨了 4.5 个百分点，GDP.pdf 涨了 3.0 个百分点。
回退：AA-LCR 掉了 3.7 个百分点，AutomationBench-AA 掉了 1.1 个百分点。
也就是说，agentic 和编码这两块是这次的主攻方向，其他任务基本和 4.6 持平，个别项目还有退步 —— 不是全面变强。
最该注意的是账单
Grok 4.7 (xhigh) 每跑一个 Intelligence Index 任务，大约消耗 8.1 万输出 token。对比一下：Grok 4.6 (high) 是 3.6 万，GPT-6 Astra (max) 是 2.7 万 —— 分别高出 125% 和 196%。
马斯克说它"明显更快、更便宜"，指的是单价：输入每百万 token 2 美元、输出 6 美元，缓存命中 0.5 美元，与 Grok 4.6 持平。但单任务成本是另一回事 —— 单价没动，token 用量翻倍，同一件事的总价就跟着上去了。
这也是这次发布里最值得记的一条：分数涨 2 分，token 涨一倍多。上下文窗口 500k，和 4.6 一样没变；推理档位从 low 到 xhigh 可调，评测用的是最高档。
我的看法：现在 agentic 类基准比纯智力分更能说明模型能不能干活，这点已经在取代过去的比法。
但随之而来的是，token 效率正在变成新的分水岭 —— 单价持平、单任务更贵，意味着重度使用 Grok 4.7 之前，得先拿自己真实的调用量算一遍账，而不是只看每百万 token 的报价。
