你有没有过这种体验：盯着模型价格表，发现某家”全线最低价”，兴冲冲接进工作流，月底一看账单，比用贵模型还烧钱。9月21日xAI发布的Grok 4.7，恰好就是这样一个”价格表便宜、账单要细算”的典型样本。这篇实测带你把跑分、价格和真实成本一次算清楚。
Grok 4.7是什么：同价换了个更大的脑子
Grok 4.7是xAI目前的旗舰编码与知识工作模型，定位很明确——不拼聊天问答，专攻要跑几个小时的长任务：多步编码、终端操作、文档产出。相比Grok 4.6，它换了更大的基座模型，做了更长一轮强化学习，训练数据偏向”要干好几小时才能完成”的难题，并强化了自我校验能力。
上手方式有三条：已在用Cursor的，模型下拉框里直接切到Grok 4.7即可，上下文窗口悄悄从256K顶到了500K；用xAI自家Grok Build的，它已经是默认模型；走API的，模型名grok-4.7，推理强度可选low/medium/high/xhigh四档（默认high，且推理token计入输出计费）。价格完全沿用4.6：提示词20万token以内每百万输入$2、缓存输入$0.5、输出$6；超过20万token后升到$4/$1/$12。另有Grok 4.7 Fast变体，双倍单价换约两倍速度，目前只在Cursor和Grok Build里提供。
跑分实测：编码确实涨了，但没拿到王座
官方和第三方数据放在一起看更客观。Grok 4.7相对上一代全面进步，其中长时程编码任务涨幅最猛：
| 基准 | Grok 4.7 | Grok 4.6 | GPT-5.6 Sol | Fable 5.1 |
|---|---|---|---|---|
| CursorBench 4.0（编码） | 46.3% | 40.4% | 41.7% | 51.8% |
| DeepSWE v1.1（软件工程） | 71.0%* | 65.2% | 72.7% | 70.0% |
| Terminal-Bench 4.0（终端） | 38.0% | 20.3% | 37.3% | 57.9% |
| EEBench（电气工程） | 64.0% | 53.0% | 39.4% | 56.4% |
| Harvey 法律Agent | 19.6% | 15.8% | 2.5% | 6.7% |
*DeepSWE为high档成绩。三个值得注意的点：一是Terminal-Bench 4.0接近翻倍（20.3%→38.0%），长任务稳定性提升是真实的；二是EEBench 64.0%在四款模型里最高，小众领域反而领先；三是编码王座仍在Fable 5.1手里，CursorBench和Terminal-Bench两项都压着Grok 4.7。独立机构Artificial Analysis给出的智能指数是46（4.6为44），排在GPT-6 Astra和Fable 5.1（均为53）之后。
社区实测同样有惊喜有翻车：开发者Tak只丢一句”10分钟能干啥就干啥”，Grok 4.7自己在Blender里搓出了一个会转的黄铜浑天仪；但产品博主Paweł Huryn往两个真实代码库里埋了105个bug测了三轮，Grok 4.7修好28.7个——和上一代4.6一模一样，而GPT-6 Astra能修45个。
优缺点：便宜的token，不便宜的任务
先说优点：同价档位下能力实打实提升；DeepSWE 71.0%进入第一梯队；500K上下文配$2/$6的定价，跑长文档、大仓库的性价比依旧能打；安全栈重做后，HackerBench v0.3仅放行3.3%的双用途风险提示，是xAI史上最克制的一代。
槽点也很扎眼。Artificial Analysis实测，xhigh档下Grok 4.7每个智能指数任务要烧约81,000个输出token，是Grok 4.6（36,000）的2.25倍、GPT-6 Astra Max（27,000）的3倍。把token烧进去一算账，画风就变了：
| 模型/档位 | 智能指数 | 每任务输出token | 单任务实测成本 |
|---|---|---|---|
| Grok 4.7 xhigh | 46 | 约81,000 | $3.74 |
| Grok 4.7 high | 46 | 约66,000 | $2.73 |
| GPT-5.6 Sol max | 47 | 约29,000 | $1.99 |
| DeepSeek V4.1-Flash max | 39 | 约89,000 | $0.27 |
每token单价只有Sol的十分之一档位，单任务成本却接近Sol的两倍——”标价营销、token才是工程”这句话在它身上体现得淋漓尽致。更尴尬的是，felloai的横向数据显示，xhigh和high的得分几乎一样，但xhigh每任务多花一美元、速度还慢三成，纯属白烧钱。另外输出速度39.5 tok/s，在202个模型里排第152位，长任务里这个”慢”会被放大。
谁该用、怎么用：四条选型建议
1）高产量代码生成、账单被输出token主导的团队值得试：跑一周真实任务，按”每个合并PR的总成本”对比，而不是看每百万token单价。2）接进工作流后把档位钉死在high（默认档），别碰xhigh——同样的分，白多花钱。3）法律、临床、合规类工作绕道：Harvey法律基准19.6%的成绩说明它干不了精细的专业Agent活。4）追极限性能的，Fable 5.1或GPT-6 Astra仍是第一选择；预算敏感的，DeepSeek V4.1-Flash每任务$0.27的成本优势目前无解，可以看我之前写的DeepSeek V4.1-Flash实测。想横向对比同期的国产开源旗舰，也可以参考小米MiMo-V2.6-Pro实测。
一句话总结：Grok 4.7是9月性价比最微妙的前沿模型——榜单涨了、单价没涨，但”话变多了”，上车前先拿自己的真实任务算一笔单任务成本的账。
