Grok 4.7 是什么：把"耐力"作为核心取向的前沿模型
Grok 4.7 是 xAI 在 2026 年 9 月 21 日发布的前沿模型，目前已在 Amazon Bedrock 的模型目录中开放。它面向三类工作负载：编码、长链路 Agent、知识工作。它的产品叙事不是"更快地给出答案"，而是"在更难的任务上工作得更久、校验得更仔细"——即把耐力和自校验放在了首位，而不是单纯的单轮响应速度。
在输入输出形态上，Grok 4.7 接受文本和图像输入，返回文本。这意味着它可以看图、读代码、看长文档，但产出仍是文字，不直接输出音频或视频。
关键能力与原理：四档推理强度、500K 上下文、自校验行为
Grok 4.7 的几项核心参数和能力如下：
- 500K token 上下文窗口：在长任务中可以一次性放入大段参考材料或历史轨迹。
- 四档推理强度（reasoning effort）：low、medium、high、xhigh，默认值为 high。xAI 在训练时把任务重心放在了需要数小时完成的难题上，训练中加入了更长的强化学习过程，因此高强度档位买到的不仅是单次答案的更多思辨，更是任务级别的自校验。
- 自校验行为：模型在继续下一步之前，会对自己的输出做更仔细的核对。这一点在长链路 Agent 场景中尤其关键，因为长轨迹下早期的一个小错误会在后续每一步被放大，而一个会自我检查的模型可以减少这种灾难性失败。
- 原生理解 Grok Bot harness：训练时就纳入了对自家 Agent 框架的理解，xAI 称这带来了对话与通用知识工作上的提升。
底层训练上，Grok 4.7 使用了一个新的、规模更大的基础模型，训练目标偏向需要多步、长时长的任务混合，目的是让模型学会"验证自己的产出"。
与上一代 Grok 4.6 的差异：基准提升与代价翻倍
Artificial Analysis（独立评测机构，不依赖厂商自报数据）的对照结果如下（Grok 4.7 测于 xhigh 强度，Grok 4.6 测于各指标对应的强度档）：
| 指标 | Grok 4.7 | Grok 4.6 | |---|---|---| | Intelligence Index | 46 | 44 | | Coding Agent Index | 56 | 47 | | AA-Briefcase（长链路知识工作，Elo） | 1,657 | 1,546 | | GDPval-AA（专业工作产出，Elo） | 1,695 | 1,605 | | AA-Omniscience Index | 32 | 30 | | AA-Omniscience 幻觉率 | 29% | 34% | | 每个 Intelligence Index 任务的输出 token 数 | ~81k | ~38k |
需要重点关注最后一行：能力提升的代价是每个任务的输出 token 大约翻倍。这就是为什么 reasoning effort 不应该默认继承——留给业务逻辑自行设定。
在 xAI 自报的基准中，Grok 4.7 覆盖了软件工程（CursorBench、DeepSWE）、长链路终端与办公任务（Terminal-Bench、AA Briefcase）、电气工程（EEBench）、法律（Harvey Legal Agent Benchmark）和临床推理（HealthBench Professional）等领域。
在 Amazon Bedrock 上的接入形态与上手步骤
Grok 4.7 在 Bedrock 上以跨区域推理档案（cross-Region inference profile）的方式对外提供，请求要命名档案而不是裸模型 ID。可用的两个档案：
us.xai.grok-4.7：美国地理档案，固定在美国区域处理，满足美国数据驻留要求。global.xai.grok-4.7：全球档案，将请求路由到任意支持的商业 AWS 区域，定价低于地理档案，但延迟波动更大。
在 API 选择上，Grok 4.7 同时支持三种调用方式：
- Responses API：与 OpenAI 兼容，是推荐的主力入口，reasoning effort 直接通过
reasoning.effort参数配置。 - Chat Completions API：与 OpenAI 兼容，适合从已有 OpenAI 集成迁移。注意：它不返回 reasoning token。
- Converse API（通过 boto3）：使用 AWS SigV4 签名，对账户内多个模型提供统一的消息结构、原生支持 invocation logging 和响应流式事件。reasoning effort 通过
additionalModelRequestFields设置。
最小上手路径：
- 在 Bedrock 控制台中确认目标 Region 已开通该模型；
- 安装
openai（用于 Responses / Chat Completions）和boto3（用于 Converse）； - 在 Bedrock 控制台生成一个长期 API Key 用于探索，并设置环境变量：
OPENAI_API_KEY=<你的 Bedrock API Key>OPENAI_BASE_URL=https://bedrock-runtime.us-east-1.amazonaws.com/openai/v1
- 用 OpenAI SDK 发送一个 Chat Completions 请求，模型 ID 写
us.xai.grok-4.7； - 用 Converse API 时，需要遍历返回的
content块查找文本，因为 reasoning 始终开启时第一块是推理内容，答案在后续块。
关于凭证的两点提醒：
- 长期 API Key 只用于探索。生产环境应使用
aws-bedrock-token-generator包从 IAM 凭证签发的短期 bearer token，到期自动失效，与 IAM 身份绑定。 - 若同时使用 OpenAI 兼容 API 和 Converse，需要分别配置 bearer token 和 AWS SigV4 凭证。
与 Bedrock 周边能力的配合
- 隐式 prompt 缓存：自动作用于重复的 prompt 前缀，长 Agent 在每轮重新发送大段系统提示或参考文档时，命中部分按缓存价计费。
- Bedrock Guardrails：通过 ID 和版本在请求上挂载，对 prompt 和 response 同时施加内容过滤、拒绝主题、PII 脱敏和词策略，适合无人值守的长链路任务。
- 结构化输出：通过 JSON Schema 约束响应，下游代码可直接解析。
- Invocation logging：每次调用都会在 CloudWatch 中记录请求、响应与 token 计数（包括 reasoning token），形成可审计的链路日志。
服务层级与定价
Grok 4.7 提供三个服务层级，是成本控制的主要杠杆：
- Standard（默认）：按 token 计费，无承诺。
- Priority：提供更快、优先级更高的处理，按溢价计费。
- Flex：面向非时间敏感任务的低价档位。
具体每 token 价格以 Bedrock 定价页为准。
推理强度的实战建议
reasoning effort 的设定直接影响成本和延迟：
- low：适合短抽取、分类、单轮问答。
- medium / high：一般多步推理、规划任务。
- xhigh：长 Agent 链路、早一步错误会扩散到后续每一步的任务。
想要在 Responses API 中保留 reasoning 内容做多轮复用，可以加上 include=["reasoning.encrypted_content"]，把加密的推理内容回传给模型作为下一轮的上下文。
适用场景、局限与边界
适合使用 Grok 4.7 的场景：
- 长链路编码 Agent：需要多步骤调试、长代码库上下文、终端操作的任务。
- 长链路知识工作：法律文档审阅、临床推理辅助、金融分析等 xAI 自报有提升的领域。
- 多小时规模的复杂任务：模型被训练成能在这种时长下持续工作并自我校验。
- 需要强防越狱和拒答能力的场景：xAI 称其采用了全新的安全栈，是其测试过最强的拒答和抗越狱模型。
需要预先权衡的边界：
- 成本翻倍：每个任务的输出 token 数大致是上一代的两倍。必须主动设定 reasoning effort，而不是用默认 high 跑所有调用。
- 响应延迟：高强度档位下，单次响应会更慢，对延迟敏感链路要做端到端 benchmark。
- 推理内容位置：在 Converse API 中，推理 token 在第一个内容块，最终答案在后续块，写代码时不要硬编码
content[0]。 - API 行为差异：Chat Completions 不返回 reasoning token，无法在多轮中复用 reasoning。要保留推理上下文必须用 Responses API。
- 跨区域路由：global 档案更便宜但延迟波动，us 档案更可控但更贵。IAM 策略必须分别列出每个档案，因为档案是独立授权的，命名了
us.xai.grok-4.7不覆盖global.xai.grok-4.7。 - Cyber 安全能力范围：xAI 提到对合法的安全研究工作不应被误拒，对危险的双重用途提示只允许极小比例通过，并已向受邀的网络安全合作伙伴开放 red-team 能力。这意味着通用账户能拿到的能力是有限版本，更深度的能力走邀请制。
- 输出形态限制：仅返回文本，不输出音频、视频或多模态产物。
总而言之，Grok 4.7 在 Bedrock 上的价值在于把"长链路 Agent + 大上下文 + 可调推理强度"组合成了一个可立即使用的接口。代价是每个任务的 token 消耗显著上升，因此接入的第一件事不是写 prompt，而是为不同业务场景选定合适的 reasoning effort 与服务层级，并明确哪些调用走 Responses、哪些走 Converse，再开始批量调用。