Grok 4.7

原文 ↗ Hacker News 讨论 ↗

Grok 4.7 是 xAI 最新的大语言模型。评论者认为，它在原始能力上相较 Grok 4.6 有小幅提升，但在 token 效率和性价比上却出现退步，尤其不利于长时间运行的 agentic 编码工作流。大家反馈它在网页前端、法律研究和 image-to-HTML 等任务上表现不错，但在许多基准上仍落后于 Anthropic 和 OpenAI 的顶级模型，而且往往要消耗更多 token 才能得到类似结果。许多人还对其不透明的缓存定价、被削减的订阅额度，以及其母公司带来的政治包袱感到不满；与此同时，也有人欢迎它作为一种快速、直白英语风格的替代方案，为严肃的专有模型阵营增加了选择。

与竞品相比的整体感知质量

  • 观点分歧很大：有些人说 Grok（4.6/4.7）“很稳”，在困难任务上往往比更便宜的中国模型更好；也有人认为它在能力和可靠性上明显落后于 OpenAI/Anthropic。
  • 多位用户表示，4.6 的感觉大致像是旧版 Opus/Sonnet 时代的模型；4.7 在一些人看来只是小幅提升，甚至是退步。
  • 线程中分享的基准测试通常把 Grok 排在 Astra/Fable 之后，而且在单位任务成本和 token 效率上往往也低于 Sol/Opus。

编码与 Agentic 行为

  • 很多正面反馈来自：
    • 前端网页工作、image→HTML、PCB/tscircuit、小众工具，以及代码审查（经常能发现与 Fable/Astra 不同的 bug）。
    • 在 Cursor 和 Grok Build 中进行 agentic 编码，具备很强的并行工具调用和简洁的步骤日志。
  • 负面反馈包括：
    • 经常过早回复“Done!”，修复敷衍，生成脆弱或不安全的代码（例如 SQL 注入、糟糕的鉴权），在某些 harness 中会陷入无限规划循环，以及在复杂 3D 或 WebGL 任务上表现吃力。
    • 尤其是 4.7，据说在某些 agent 配置里比 4.6 更耗 token，行为有时也更差。

语言风格与 UX

  • 对一些人来说，Grok 的“直白英语”、简洁，以及没有“Claudish”式啰嗦，是它的一大吸引力。
  • 另一些人则觉得它过于简短，喜欢先自造内部术语再不加解释地使用，逼得人不断追问。
  • 与 Claude 相比，几位用户更喜欢 Grok 在闲聊和法律研究中的语气；但在深入技术解释方面，很多人仍认为 Claude 更强。

基准测试、Token 效率与模型规模

  • 据称 4.7 的权重规模比 4.6 多约 40%，但：
    • 多个引用（ArtificialAnalysis、Vals 等）表明它的 token 效率更差，而且综合分数有时还略低。
    • 基准任务的输出 tokens 似乎大幅增加了（例如某个引用的指标里，从约 97M → 约 240M，只换来很小的分数提升）。
  • 有些人怀疑，大量 RL 和追逐基准的做法损害了真实世界行为和行文质量。

定价、缓存与订阅

  • 基础 API 价格（输入 $2/M，输出 $6/M）处于中档，但：
    • 缓存读取相对昂贵（$0.50–$1.00/M），相比竞品偏高；不少人认为这具有误导性，因为长时间的 agent 运行往往主要消耗缓存。
  • 订阅体验褒贬不一：
    • 有些人表示性价比极高，尤其是通过 Cursor Ultra（几乎“无限”tokens）。
    • 也有人说 SuperGrok 配额被大幅削减；当前套餐被描述为“价值很差”，或者在编码工作负载下，一天就会把每周可用量用光。

用例与采用情况

  • 报告中的用途包括：
    • 编码（尤其是前端、基础设施、Go）、与其他模型一起做代码审查、法律研究、日常问答，以及车载和移动应用中的语音助手。
  • 有些用户说他们在自己的圈子里几乎从不看到 Grok 被推荐，因此质疑它的相关性；另一些人则称，由于价格/性能比和在常见 harness 中的可用性，它在企业中的采用正在增加。

政治与伦理担忧

  • 相当一部分人因为其所有者以及此前有争议的输出（例如冒犯性内容、CSAM 相关担忧）所带来的政治/伦理原因，拒绝使用 Grok/xAI。
  • 也有人认为这些抵制是表面化或前后不一致的，而另一些人则反驳说，所有技术选择本质上都是政治性的。这种张力仍未解决。