一边是 $2/$6，一边是 $4/$20。跑完同一批任务，便宜的那个每任务收 3.74 美元，贵的那个收 1.99 美元。
◇ ◇ ◇
开篇
把两行价目表并排放在一起：
Grok 4.7 输入 $2 / 输出 $6 每百万 token GPT-5.6 Sol 输入 $4 / 输出 $20 每百万 token看标价，前者便宜得不像话。输入价是一半，输出价只有零头。
再把 Artificial Analysis 跑完一整套 Intelligence Index 之后的账单并排放：
Grok 4.7 xHigh $3.74 / 任务 GPT-5.6 Sol Max $1.99 / 任务标价便宜一半的那个，结账时贵了 88%。
9 月 21 日，xAI 发布 Grok 4.7。这个反转不是黑它，恰恰是这次发布最值得琢磨的地方。
标价与账单的反转
◇ ◇ ◇
昨天到底发生了什么
先把事实摆清楚。
Grok 4.7 在 9 月 21 日上线，同一天进了 Cursor、Grok Build、Grok API，GitHub 也在当天的 changelog 里宣布灰度推送到 Copilot 全家桶——VS Code、JetBrains、Xcode、CLI、云端 agent 都有份。
官方说法是：底座模型比 4.6 大（HN 上有人扒出多约 40% 的权重），强化学习跑得更久，训练任务里刻意加重了"要干好几个小时才能完成"的那一类，还有一整套新的安全防护栈。
价格一分没涨。$2 / $6，跟 Grok 4.6 完全一样。另有一个双倍速的 fast 版本，收双倍价。
官方放出来的对比表也确实好看。七项 benchmark，对比对象是 Grok 4.6、GPT-5.6 Sol Max 和 Claude Fable 5.1 Max：
对着 4.6 那一列看，每一项都涨。Terminal-Bench 从 20.3% 跳到 38.0%，近乎翻倍——这个幅度在一代模型之内是相当罕见的。
Harvey 法律 agent 那一行尤其扎眼：19.6% 对 GPT-5.6 Sol 的 2.5%，快到八倍。EEBench 也是压倒性的。这两块是 Grok 这次真正拉开身位的地方，跟"代码"关系不大，但对某些行业是实打实的。
问题出在别的地方。
官方对比表的七个格子
◇ ◇ ◇
同一个测试，三个数字
Terminal-Bench 4.0 这一项，你现在能查到三个互不相同的分数。
官方口径：38.0%。
Artificial Analysis 用 Grok Build 这个 harness 跑：33%。
Artificial Analysis 单测模型本身（xHigh 档）：大约 26%。
三个数不是谁在撒谎。差别在谁来跑这个模型。
Terminal-Bench 测的是多小时的终端任务——开 shell、读文件、试错、改、再试。模型只是发动机，真正决定跑多远的，是外面那层 harness：怎么切上下文、工具怎么定义、失败了怎么重试、什么时候压缩历史。换一层壳，同一个模型能差七个百分点。
这不是 Grok 一家的毛病，是整个行业现在读 benchmark 的基本常识：看见一个分数，先问它是在谁的 harness 里跑出来的。
顺带说一句，官方那张表里还有个小动作被 HN 挑了出来——Grok 4.7 用的是 xHigh 推理档，对比的 Grok 4.6 用的是 High 档。不同档位比，涨幅自然好看。
按 AA 的独立口径往外看一眼，位置就没那么乐观了：
Terminal-Bench 4.0：GPT-6 Astra 60%，Claude Fable 5.1 55%，DeepSeek V4.1 Flash 27%，Grok 4.7 约 26%。
连便宜很多的 DeepSeek V4.1 Flash 都在它前面一点。开发者 Dan McAteer 在 X 上对这个成绩的评价只有一个词："horrendous"。
AA 的综合 Intelligence Index 同样：Grok 4.7 拿 46，Fable 5.1 和 GPT-6 各 53。中游偏上，没进第一梯队。
同一个 benchmark 的三个数字
◇ ◇ ◇
真正贵的那一项，不在价目表上
现在回到开头那个反转。
AA 测了一件价目表上不写的事：跑完一个任务，模型要吐多少 token。
Grok 4.7 xHigh 约 81,000 output token / 任务 Grok 4.6 High 约 36,000 GPT-6 Astra Max 约 27,000比上一代自己多烧 125%，比 GPT-6 Astra 多烧 196%。
单价低，但用量翻了三倍，乘出来就是那个 $3.74。而标价高得多的 GPT-5.6 Sol Max，因为话少，结账 $1.99。
这里面有一条对任何团队都成立的提醒：你买的不是 token，是"一件完成的活"。一个函数跑通、一份文档过审、一个任务不用重试——这才是计价单位。按 token 单价做选型，等于按面粉价格点面包。
还有一笔更隐蔽的账。HN 上有人把它扒了出来：
Grok $2/M 输入，$6/M 输出，但 cache read $0.50/M Fable $10/M 输入，$50/M 输出，但 cache read $0.25/M长跑型 agent 的账单结构里，cache read 常常是大头——每一轮对话都要重读前面积累的上下文。Grok 在这一项上反而是 Fable 的两倍价。发布会的幻灯片不会放这一行。
token 用量把单价优势吃掉
◇ ◇ ◇
也别一棒子打死
话说回来，这次发布不是没有真东西。
AI 圈的 @haider1 在 X 上把 CursorBench 的 cost-per-task 排行截了图，用词是"absurd actually"：
Grok 4.7 xHigh 46.3% @ $6.01 / 任务 Fable 5.1 Medium 46.8% @ $7.05 / 任务 GPT-5.6 Sol Max 41.7% @ $8.23 / 任务在 CursorBench 这个场子里，Grok 4.7 用更少的钱换到了几乎相同的分数。同一个模型，换个 benchmark 就换个结论——这恰恰说明"值不值"这个问题没有全局答案。
HN 上也有长期用户给出了很具体的定位：
它不是最便宜的，也不是最强的，但对我的 backend、Go、基建活儿来说，这个组合刚好。
反面评价同样具体。有人吐槽它"会几乎立刻结束任务然后宣布 Done"，是几个主流模型里最偷懒、最爱糊弄的一个。也有人用了 Cursor 之后觉得它画 SVG 比 4.6 明显强。
幻觉这块倒是实打实进步了：AA-Omniscience 测出来的幻觉率从 4.6 的 34% 降到 29%。
换个场子换个结论
● ● ●
◇ ◇ ◇
写在最后
如果你正在给团队选模型，这次发布最有用的不是那七行 benchmark，是它暴露出来的那套读数方法。
三件事，今天就能做：
- Ⅰ别再用 token 单价做横向对比。
记一个新指标：完成一个你们自己的真实任务，花多少钱。AA 管它叫 cost per task，你们内部叫什么都行。 - Ⅱ看见 benchmark 分数，先问是谁的 harness。
38%、33%、26% 是同一个模型同一个测试，差别全在外面那层壳。 - Ⅲ把 cache read 单价单独拉出来看。
长跑 agent 的账单里它经常是最大的一块，而它几乎从不出现在发布会的价格对比图上。
选型时该看的三个数
至于 Grok 4.7 本身——拿你们最常跑的那三类活儿，同样的文件、同样的完成标准，让它和现在的默认模型各跑一遍。记四个数：过没过、改了几轮、用了多久、花了多少。
三个任务不叫 benchmark。但足够让你在换默认模型之前，看清账单长什么样。