一篇把跑分先放一边的 Grok 4.7 一天实测。作者的筛选立场开篇就摆明：只引公开跑分的"它很烂"报告直接忽略——"同一批跑分还说过 Opus 5 比 Fable 强呢"；拿 3D 小游戏比模型的也忽略——那不是真实工作，是社媒搏眼球。
他把 4.7 当"大副"（firstmate）主力用了一整天，结论是明显强于 4.5（4.6 他干脆跳过，体验里 4.5 更好使）。
先把他的方法论立场单拎出来说：他删掉的两类报告——只跑分的和玩 3D 小游戏的——恰好是社媒上声量最大的两类。前者把多维能力压成一个数，后者把"能玩"当成"能干活"；而他选择的替代方案是拿一整天当主力用、记录行为差异。这种定性长测的样本量小，但它测的是跑分测不到的东西：行为是否可预期。
四条观察：
一、系统提示跟得极紧。 他第一次见到这些新行为：让他点名说出哪些红色 CI 检查可以接受被绕过、并且拒绝一句简单的"yolo"指令。他回头查了自己的 firstmate 系统提示，措辞确实这么写——此前没有任何模型跟到能显形的程度，4.7 是第一个把它做出来的。同类例子还有几个，他认为这是明确的行为差异。
二、非常"稳"。 用过 Astra 的人知道什么叫"尖峰"模型：有天才时刻，也常有"怎么会蠢到不懂我"的瞬间。4.7 相反——一整天下来他承认还没遇到"哇，这波绝了"的时刻，但稳定、无大惊喜、行为可预期，这份可预期让他很快建立起信任。
三、偏保守。 不询问就不动手，而且会明说。他自己说这是双刃剑：有时他得把显而易见的事再说一遍（"是的，我要"），但回头看，那些场景确实有歧义，模型未经确认就自作主张未必是他想要的。
四、比 4.5 更慢、更贵，肉眼可见。 每轮耗时变长，额度掉得明显更快——他坦言还没量化出钱从哪儿漏的。
把第四条和昨晚那篇从账单出发的 4.7 差评放一起，就形成了难得的交叉验证：那篇算出真实成本是 4.6 的两倍以上，这篇没量化却独立观察到"额度肉眼可见地掉"——两位不同作者、不同方法，指向同一个方向：4.7 的账单压力是真的。一个从钱倒推，一个从体验正推，结论重叠的部分可信度最高。
第二条也值得展开："稳"为什么值钱。可预期的信任是复利——模型行为越可预测，你越敢放手给它更长的任务、更大的权限，吞吐反而上去了；单点的"天才时刻"做不到这一点，因为你不知道下一轮它是天才还是傻瓜。对每天要跑几十次的主力模型，可预期性直接等于产能。
第三条的工程含义同样直白：保守型模型适合有审批文化的团队——它那套"先问再动"正好对上变更需要留痕、权限需要收敛的场景（他点名的 CI 白名单就是典型）；但快糙猛的探索期会嫌它磨叽。"更听话+更稳"值多少，取决于你的任务容错，这句可以当选型口诀。
总评：特征差异清晰、他大多是喜欢的，会继续当主力并接着观察；结尾还向读者征集真实使用的定性感受——跑分满天飞、单点成本测零星，这种"用了一整天的定性描述"恰恰是社区现在最缺的那类数据。
顺着他的四条观察，能整理出三件立刻可用的事：其一，想吃满"听话"，就把边界写进系统提示——可绕过的检查项、需要确认的动作类型，写死它就会真执行（他的 CI 白名单例子就是这么显形的）；其二，按阶段分工模型——探索期要发散、要快，未必用它；进入要留痕、要审批的收敛期，保守反而是加分；其三，额度要设告警——他自己没量化出钱漏在哪儿，使用者就得自己盯：更慢的轮次乘上更快的消耗，最容易在月底才发现。
我的看法：三类信息源要一起用——跑分、单点成本实测、定性长测，缺一个都会误判。4.7 不是单轴变强，而是性格重排：更听话、更稳、更保守，同时更慢更贵；升级从来不是"变强"一个词能概括的。而他的观察方法本身也可复制：同一句系统提示在几个模型上跑一遍，看谁能把行为做显形——这比任何跑分都更接近你要的答案。
限定：一人一天的定性观察，任务集与额度消耗均未量化（他自己也这么说）。
