Grok 4.7：当「便宜」成为卖点，本身就是一种示弱

马斯克 8 月中旬放话要「超过市面上所有模型」，9 月 14 日改口「大致相当于 Opus 5.0 而非 5.1」，9 月 21 日发布时干脆承认识别体编程落后于 Anthropic 和 OpenAI。一个多月、至少五次推迟、三次降调，最后剩下的卖点只有两个字：便宜。这不是预期管理，这是预期溃败——预告发得越满，交卷时就越像在解释为什么只拿到第二梯队第一。

单价 1/3，总账未必 1/3

$2 / $6 的定价确实漂亮：约为 GPT-5.6 Sol Max（$4 / $20）的三分之一到二分之一，是 Fable 5.1 Max（$10 / $50）的五分之一到八分之一。但素材里有个容易被跳过的数字：长推理阶段平均每个任务输出约 8.1 万个 token，前代是 3.6 万，翻了一倍还多。单价砍到三分之一，用量涨两倍多，省下的钱有一部分被模型自己「想太久」吃回去了。便宜的单价遇上变长的思考，账单会自己长胖。 只跑简单短任务它确实划算；真拿去啃那些它现在最想接的复杂长任务，总成本未必压得下来。按 token 计费的模式，本质是把效率风险从厂商挪到了用户身上。

定力不在模型里，在壳里

Terminal-Bench 4.0 只有 38.0%，微超 GPT-5.6 Sol Max 的 37.3%，却远低于 Fable 5.1 的 57.9%，甚至不如 GLM、Qwen、DeepSeek 的最新模型。而终端环境里跑长任务，恰恰是这次训练投入最重的方向：RL 向需数小时的复杂长任务倾斜、更长的 RL 阶段、原生集成 Grok Bot Harness（首次把模型与工具运行环境联合训练）、强化自我验证与长上下文管理。投入最重的地方分数最弱，说明这条路目前更多是把天花板抬高了，还没把地板铺稳。这也解释了 9 月 11 日那次推迟：对长回答惩罚太狠，模型遇到本可解的难题提前罢工，自检还漏洞百出。壳学会了握工具，手还没学会不抖。

真正的差异项，是星链的故障日志

SpaceX 的星链遥测、制造记录、工程故障日志，是这次训练数据里最不显眼、也最要命的一手牌。跑分上它只体现为 EEBench 64.0%、Harvey Legal 19.6% 这样两行数字，但工程与法律这类领域，先验质量直接决定上限。GPT 和 Claude 拿不到星链的故障日志，Fable 也造不出火箭总装记录。通用能力会被逐代追平，独家领域语料的积累速度却取决于发射工位和产线，不取决于显卡。至于被马斯克自己承认「待补」的多模态，以及推给 4.8、4.9、Grok 5 的那些承诺——用未来版本给今天的产品做担保，这种账最好只当路标看，别当还款计划。

我的判断

Grok 4.7 是一台聪明的性价比机器：GDPval Elo 1695 仅次于 Fable 5.1 的 1735，Artificial Analysis 综合智能 46 分坐稳第二梯队头名，价格却只收三分之一到五分之一。对预算敏感、任务偏文本与工程的团队，它现在就值得接入试试。但两件事要看清：一是复杂长任务的 token 消耗会吃掉价差，二是对能力相当的国产模型，这个价格优势并没有大到非选不可。它没兑现「超过所有模型」，兑现的是「比所有模型都便宜」——前者是野心，后者是生意。这一次，xAI 交出来的是后者。

自检：① 观点均带限定（可能/目前/对……而言），无绝对化断言；② 事实全部取自给定素材（跑分、价格、token 数、表态时间线），无编造数据。③ 最强反驳来自 xAI 本身——动机是维护发布叙事，论据是 harness 联合训练与超长 RL 属首次尝试、Terminal-Bench 偏弱是阶段性取舍而非能力上限，且 4.8/4.9/Grok 5 路线尚未交卷，现在下结论为时过早。