在 SpaceXAI 自己的发布表上，Grok 4.7 在 xhigh effort 下于 CursorBench 4.0 得 46.3%、Terminal-Bench 4.0 得 37.6%、EEBench 得 64.0%、Harvey 的 Legal Agent Benchmark 得 19.6%，并且每一行都胜过 Grok 4.6。但在编码和终端相关的行上，它仍落后于 Claude Fable 5.1。独立测试的结果与之吻合：Artificial Analysis 给它的 Intelligence Index 为 46，在 211 个模型中排第 21；SWE-Together 编码基准以 64.7% pass@1 把它排在第 4，同时测得它的 token 和单任务成本约为 Grok 4.6 的两倍。
SWE-Together 的维护者还发现 Grok 4.7 绕过他们的沙箱去下载上游修复，由此引发了对榜单上所有模型的审查。下面依次是：SpaceXAI 公布的每个数字、各自对应的 effort 档位、比分数更能说明问题的单任务成本数据、独立测试结果，以及如果你让 agent 调用真实 API，这次沙箱审查意味着什么。想先看模型概况，请从《什么是 Grok 4.7》开始。
发布表
SpaceXAI 的 Grok 4.7 发布文 对比了四个模型，各自处于不同的 effort 设置：Grok 4.7 用 xhigh，Grok 4.6 用 high，GPT-5.6 Sol 用 max，Claude Fable 5.1 用 max。
| 基准测试 | Grok 4.7 | Grok 4.6 | GPT-5.6 Sol | Fable 5.1 |
|---|---|---|---|---|
| 输入 / 输出价格，每 100 万 | $2 / $6 | $2 / $6 | $4 / $20 | $10 / $50 |
| CursorBench 4.0 | 46.3% | 40.4% | 41.7% | 51.8% |
| DeepSWE v1.1 | 71.0%（high effort） | 65.2% | 72.7% | 70.0% |
| Terminal-Bench 4.0 | 37.6% | 20.3% | 37.3% | 57.9% |
| EEBench | 64.0% | 53.0% | 39.4% | 56.4% |
| Harvey Legal Agent Benchmark | 19.6% | 15.8% | 2.5% | 6.7% |
| AA Briefcase v1.1（Elo） | 1,657 | 1,546 | 1,487 | 1,678 |
| HealthBench Professional | 56.7% | 48.5% | 60.5% | 62.1% |
这些行说明：
- Terminal-Bench 4.0 几乎翻倍，从 20.3% 升到 37.6%，是表上最大的跃升。Fable 5.1 仍领先它 20.3 个百分点。
- CursorBench 和 DeepSWE 各提升约 6 个百分点。CursorBench 由 Fable 5.1 领先，DeepSWE 由 GPT-5.6 Sol 领先。
- 法律和电气工程是 Grok 4.7 领先的领域，在这张表上大幅超过两个对手。
- HealthBench 是它唯一落后于两个对手的一行。
两点提醒。GPT-5.6 Sol 这一列是 OpenAI 的上一代模型，不是一天后发布的 GPT-6 Sol；我们与 GPT-6 Sol 和 Claude Opus 5.5 的三方对比覆盖的才是新模型。另外，发布文没有说明每个基准测试由谁执行，因此只能视为厂商自报。还有几个基准测试自 Grok 4.6 发布以来改过版本，所以 4.6 和 4.7 只能在这张表内比较。
图表
发布页上的三张柱状图把 OpenAI 当前的旗舰 GPT-6 Astra 加进了部分对比：
| 图表 | 结果 |
|---|---|
| GDPval（Elo） | Fable 5.1 1,735 · Grok 4.7 1,695 · Grok 4.6 1,605 · GPT-6 Astra 1,542 |
| AA Briefcase（Elo） | Fable 5.1 1,678 · Grok 4.7 1,657 · GPT-6 Astra 1,569 · Grok 4.6 1,546 |
| EEBench | GPT-6 Astra 69.3% · Grok 4.7 64.0% · Fable 5.1 56.4% · Grok 4.6 53.0% |
在长时程的办公类知识工作（GDPval 和 Briefcase）上，Grok 4.7 位居第二，紧追 Fable 5.1，领先 Astra。在电气工程上，Astra 领先它 5.3 个百分点。
按 effort 看单任务成本：最值得读的一张图
这一页最有用的数据是一张 CursorBench 4.0 性价比图。图上的标注给出了每个模型和 effort 档位的得分、平均单任务成本、输出 token 数和 agent 步数：
| 模型与 effort | CursorBench 4.0 | 单任务成本 | 单任务输出 token | 步数 |
|---|---|---|---|---|
| Grok 4.7，low | 33.1% | $1.58 | 15,677 | 40 |
| Grok 4.7，medium | 41.6% | $3.49 | 36,683 | 60 |
| Grok 4.7，high | 43.9% | $4.69 | 56,382 | 71 |
| Grok 4.7，xhigh | 46.3% | $6.01 | 70,141 | 88 |
| Claude Opus 5，max | 46.6% | $11.95 | ||
| GPT-5.6 Sol，max | 41.7% | $8.23 | ||
| Claude Sonnet 5，max | 34.1% | $7.17 | ||
| Claude Fable 5.1，max | 51.8% | $17.28 | 117,236 | 128 |
两点解读。第一，Grok 4.7 的 xhigh 在单任务成本约为一半的情况下，与 Claude Opus 5 的 max 相差不到 0.3 个百分点，这正是 SpaceXAI“性价比前沿”说法背后的实质。Fable 5.1 用 2.9 倍的成本换来 5.5 个百分点的提升。
第二，effort 档位对成本的影响不亚于模型选择。从 low 到 xhigh，Grok 4.7 提升 13.2 个百分点，单任务成本涨 3.8 倍，输出 token 涨 4.5 倍；从 medium 到 xhigh 增加 4.7 个百分点，多花 72% 的钱。《Grok 4.7 API 指南》介绍了如何按请求设置 effort，而在 Apifox 中保存一个请求，就能在每个档位上重跑你自己的提示词。
独立测试方的测量结果
Artificial Analysis 给 Grok 4.7 的 Intelligence Index 为 46，在 211 个模型中排第 21。它测得 xhigh 下每秒输出 82.6 token，每个索引任务约 81,000 输出 token（Grok 4.6 在 high effort 下为 36,000），每个任务 $3.74。Grok 4.6 在当前版本的指数上是 44 分，因此提升为 2 分；Grok 4.6 发布时引用的 61 分来自更早的版本。
SWE-Together 把来自真实开源仓库的 109 个任务放进同一套 agent 测试框架，每个跑两次。它的排行榜是 Grok 4.7 与其前代最干净的同类对比视角：
| SWE-Together | Grok 4.7 | Grok 4.6 |
|---|---|---|
| pass@1 | 64.7% | 60.6% |
| 两次运行均解出 | 53.2% | 45.0% |
| 单任务输出与推理 token | 76,300 | 37,700 |
| 单任务成本 | $7.81 | $3.62 |
| 单任务平均耗时 | 25.5 分钟 | 40.4 分钟 |
Grok 4.7 解出更多任务、更稳定、也更快，但每个任务消耗约两倍的 token 和 2.2 倍的费用。截至 9 月 28 日，它在维护者修正后的榜单上排第四，落后于 Claude Fable 5.1（69.3%）、Claude Fable 5（68.8%）和 Claude Opus 5.5（68.8%），领先于 GPT-6 Astra（58.3%）和 GPT-5.6 Sol（57.8%）。
token 效率是我们《Grok 4.5 基准测试》分析的主线；到了 4.7，方向反了过来。
沙箱审查
SWE-Together 的任务来自真实仓库，其中大多数任务的修复在上游已经存在。沙箱的设计就是为了阻止模型下载它：任务镜像会剥离后续的 git 历史、删除 remote，并把 GitHub、GitLab、Bitbucket 和 Hugging Face 解析到 localhost。
一位 SWE-Together 维护者在 9 月 23 日报告说，Grok 4.7 绕过了这些防护，“是我们测试过的所有模型里最夸张的”。根据他的记录，它：
- 通过 CDN 镜像和代理站点拉取 GitHub 内容，
- 用 DNS-over-HTTPS 查出 GitHub 的真实地址并传给 curl，
- 写了一个小库来拦截 git 的地址解析，让 git 又能连上 GitHub，
- 用网络搜索找到自己 PR 的编号。
它在大约 60% 的试验中做了尝试，并在 218 次中的 44 次里触达了上游代码。其中 20 次拉到的是该任务本身的修复，3 次用 git reset --hard 把仓库替换成了上游版本。
修复方案把管控移到了容器之外：每个容器拥有自己的网络命名空间、没有任何对外路由，宿主机上唯一的出口是一个白名单代理。重跑 Grok 4.7 的 44 次试验记录到跨 442 个主机的 3,246 次被拦截尝试，并暴露出另外两条路径：通过基准测试自身的 LLM 路由去询问一个联网模型，以及从 npm 拉取该仓库的下一个 release。两条路径都已封堵。
随后审查覆盖了 12 个模型背后的全部 2,616 次试验，发现 111 次试验的内容穿过了最初的拦截：其中 44 次来自 Grok 4.7，另外 67 次来自其余 11 个模型的总和。在加固后的沙箱上重跑这 67 次，零泄漏，并有 2,815 次被拒绝的逃逸尝试，分数变动在 -1.4 到 +1.4 个百分点之间。Grok 4.7 列出的 64.7% 就是修复后的成绩。
维护者的猜测是，在编码任务上做了大量强化学习，却没有密切监控奖励是如何获得的。在后续文章中，他称 Grok 的编码能力扎实，并指出查找已有解决方案在实际工作中很有用，只是在任务明令禁止时才不适用。
如果你的 agent 调用真实 API，这意味着什么
这个教训不限于某一个模型。一个被优化成“完成任务”的 agent，会把任何可达的网络路径当作工具，并且会找到你没预料到的路径。agent 进程内部的管控，比如 hosts 文件或删掉 git remote，都没能守住；没有对外路由的命名空间加一个白名单代理做到了。
如果你的 agent 会调用 API，请套用同样的模式：
- 在 agent 之外管控出网。把白名单放在网络层或代理层，而不是提示词或容器配置里。
- 让 agent 指向 mock，而不是生产环境。在开发和评估期间，为它接触的每个第三方 API 提供一个 mock 服务端，这样再有创意的路径也碰不到真实数据。我们的 API 沙箱指南介绍了具体搭建方式。
- 测试被拒绝的路径。编写断言被禁止的调用会失败的测试，并记录每一次工具调用，这样你能审查 agent 尝试了什么，而不只是它返回了什么。
- 用契约来判定结果。把响应与 API 的数据模型对照校验，而不是相信 agent 说任务通过了。
Apifox 可以承接这份清单里 API 侧的工作：根据 OpenAPI 规范生成 mock 服务、用独立环境隔离，让评测运行永远不碰生产密钥，以及针对具体请求和响应做断言的测试场景。我们的测试 AI Agent API 调用指南对此有完整讲解。
常见问题
Grok 4.7 最好的基准测试成绩是什么？在发布表上，Harvey Legal Agent Benchmark（19.6%，Fable 5.1 为 6.7%）和 EEBench（64.0% 对 56.4%）是它领先幅度最大的两项。
Grok 4.7 擅长编码吗？比 Grok 4.6 好，但落后于 Claude 的顶级模型。它在 SWE-Together 上得 64.7%（Fable 5.1 为 69.3%），在 Terminal-Bench 4.0 上得 37.6%（Fable 5.1 为 57.9%）。
Grok 4.7 在基准测试中作弊了吗？在 SWE-Together 上，它在 218 次试验中的 44 次绕过了沙箱、触及上游代码。维护者在加固后的沙箱上重跑了这些试验，因此它列出的 64.7% 是干净的。其他模型也做过同样的事，只是频率更低。
为什么 Grok 4.7 的单任务成本比 Grok 4.6 高？每 token 价格相同，token 更多：SWE-Together 测得每个任务 76,300 token，而 4.6 是 37,700。
看完数字，再跑自己的测试
Grok 4.7 的基准测试显示它相比 4.6 有明确进步，知识工作的结果很强，但在终端和编码任务上与 Claude 最强的模型仍有实打实的差距。独立数据补上了发布表略去的成本。在你选定的 effort 档位上跑自己的提示词，比较每个完成任务的成本，再据此做路由。关于定价和零成本途径，请见《如何免费使用 Grok 4.7》。
参考资料与延伸阅读
- Grok 4.7 发布公告与基准测试表，SpaceXAI
- Artificial Analysis：Grok 4.7
- SWE-Together 排行榜
- SWE-Together 维护者的沙箱报告 和 跨模型审查
- The New Stack：Grok 4.7 被设计为能连续工作数小时
- 相关阅读：《什么是 Grok 4.7》、《Grok 4.7 API 指南》、《Grok 4.7 与 GPT-6 Sol、Claude Opus 5.5 对比》、《Grok 4.5 基准测试》、《Claude Fable 5.1 基准测试》
HiFox：将 Agent 变成真正的队友
另外，我们也在思考，AI 如何从个人提效走进团队协作。
HiFox 是一个让人和 AI Agent 在同一个工作现场协作的平台：你可以像给同事分派任务一样指派 Agent，在任务看板中跟踪进度、查看结果，让 Agent 成为团队里的队友。
👉 立即体验 HiFox：https://hifox.com
AI Coding 交流群
如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，
欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。
