Artificial Analysis 全部文章 2026年9月21日
Grok 4.7 在 Artificial Analysis 智能指数上得分 46，将 SpaceXAI 带入顶级 AI 实验室前四名。编码智能体指数表现也有所提升，超越 GPT-5.6 Sol。见模型页面。
Grok 4.7 在智能指数上比 Grok 4.6 提升 2 分，在智能体知识工作任务上表现强劲。我们在 xhigh 推理努力下评估了这款新模型。
关键要点： ➤ Grok 4.7 加入智能体知识工作前沿：在 AA-Briefcase（我们用于长时程智能体知识工作的私有基准）上，Grok 4.7 比 Grok 4.6（high）提升 +111 Elo，得分 1657 Elo，仅次于前沿的 Claude Opus 5 和 Claude Fable 5.1。在 GDPval-AA 上得分 1695 Elo，比 Grok 4.6（high）高 +90。 ➤ 编码智能体表现跃升：Grok 4.7（xhigh）配合 Grok Build 在 Artificial Analysis 编码智能体指数上得分 56，比 Grok 4.6（xhigh）提升 +9 分。在其原生框架中的模型里，Grok 4.7 + Grok Build 排名第 4，仅次于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5。 ➤ 其他方面增量变化：在智能体知识工作之外，Grok 4.7 在智能指数的其他任务上大致与 Grok 4.6（high）持平。它在 Terminal-Bench 4.0（+4.5 个百分点）和 GDP.pdf（+3.0 p.p.）上有所提升，但在 AA-LCR（-3.7 p.p.）和 AutomationBench-AA（-1.1 p.p.）上出现回退。 ➤ 任务中 token 使用量高：Grok 4.7 的提升伴随更高的 token 使用。Grok 4.7（xhigh）每个智能指数任务约使用 81k 输出 token，而 Grok 4.6（high）为 36k，GPT-6 Astra（max）为 27k——分别多 125% 和 196%。
其他模型细节： ➤ 上下文窗口 500k token，与 Grok 4.6 相同 ➤ 定价为每 100 万输入/输出 token 2 美元/6 美元，缓存命中折扣至每 100 万 token 0.50 美元，与 Grok 4.6 一致 ➤ 可配置推理努力从 low 到 xhigh。我们的评估使用 xhigh。
Grok 4.7 在智能体知识工作任务上加入前沿。在 AA-Briefcase 上（用于评估模型在真实专业工作任务上的表现），Grok 4.7 得分 1657 Elo，比 Grok 4.6（high）提升 111，仅次于 Claude Opus 5 和 Claude Fable 5.1。Grok 4.7 的提升主要由分析质量带动：分析质量得分 1994 Elo，呈现质量得分 1499，而 Grok 4.6（high）分别为 1690 和 1519。AA-Briefcase 还会检查提交是否满足每项任务的要求，从完成分析到产出所要求的交付物。
在 GDPval-AA 上，Grok 4.7 得分 1695 Elo，而 Grok 4.6（high）为 1605。这些任务要求模型产出实用的工作产品，如文档、电子表格和幻灯片。
Grok Build 配合 Grok 4.7（xhigh）在 Artificial Analysis 编码智能体指数上得分 56，高于 Grok 4.6（xhigh）的 47。三个组成部分均有提升：DeepSWE v1.1 从 65% 升至 73%，Terminal-Bench 4.0 从 18% 升至 33%，SWE-Atlas-QnA 从 58% 升至 63%。这些结果评估的是 Grok 配合其第一方编码智能体 Grok Build 的表现。它们与智能指数结果不同，后者标准化了跨模型使用的评估框架。
Grok 4.7 的提升伴随更高的 token 使用。Grok 4.7（xhigh）在智能指数上得分 46，每任务使用 81k 输出 token，是 Grok 4.6（xhigh）使用的 38k 的两倍多。相比之下，Muse Spark 1.3（max）为 60k，GPT-6 Astra（max）为 27k。
我们的性能测量显示，Grok 4.7 对长提示的答案输出速度约为 188 token/秒。Grok 4.7 平均每个智能指数任务约 7.1 分钟。
Grok 4.7（xhigh）的 AA-Omniscience 幻觉率低于 Grok 4.6（high）：29% 对 34%。准确率大致不变，为 47% 对 48%，AA-Omniscience 指数整体从 30 提升至 32。
Grok 4.7（xhigh）的完整智能指数评估细分，连同 Grok 4.6（high）和其他领先模型。
阅读最新
蚂蚁集团发布面向金融的 Ling-3.0-flash-Fin 蚂蚁集团已于 2026 年 9 月 16 日发布其面向金融的 flash 模型 Ling-3.0-flash-Fin。
宣布 Artificial Analysis 能力指数 v1.1 我们新增了来自 AutomationBench-AA 的智能体工具使用，将 AA-Briefcase 加入智能体知识工作，将 GDP.pdf 加入长上下文。能力指数 v1.1 使每个指数更贴近其覆盖的工作，结合核心智能指数 v4.3 评估的切片以及专门评估。2026年9月14日
基准测试 GPT-6 Astra GPT-6 Astra 在我们的两个旗舰指数中与 Claude Fable 5.1 并列领先，且成本更低。Astra 在智能指数上与 Fable 5.1 持平，成本约为其 40%，在编码智能体指数上成本约为其 60%。2026年9月9日