摘要：SpaceXAI 发布 Grok 4.7，换用更大基础模型并延长强化学习周期，强化长任务、自我检查与长上下文管理，速度为可比模型两倍；CursorBench 4.0 得 46.3%，每百万输入输出 token 定价 2 与 6 美元。
SpaceXAI 今天放出 Grok 4.7，主要卖点是"长任务"。官方说法是换用了更大的基础模型并延长了强化学习周期，重点强化长时间任务执行、自我检查与长上下文管理，速度达到可比模型的两倍。评测数字一并给到：CursorBench 4.0 得分 46.3%，比上代提升 5.9 个百分点；Terminal-Bench 4.0 从 20.3% 升到 38.0%；GDPval 以及法律、医疗等专业评测也同步上涨。定价维持不变，标准版每百万输入、输出 token 分别为 2 美元和 6 美元，并已上线 Cursor 与 Grok Build。
争议恰恰出在这些数字上。Terminal-Bench 从 20.3% 到 38.0% 是接近翻倍的提升，幅度大得足以让人本能地多想一层：是模型真的更强，还是评测集与训练数据发生了重叠？技术社区里已经出现"对跑分表现并不认可"的声音，而官方并未同步放出可复现的评测脚本与数据划分说明。在这种时候，单看榜单是危险的。
这里还有一个容易被忽略的产品逻辑：Grok 4.7 选择在 Cursor 与 Grok Build 里首发上线，而不是先发博客再等第三方接入。这个顺序说明 xAI 更在意"真实开发者会不会留下来用"，而不是榜单上的名次。对编程智能体来说，最有说服力的评测从来不是 Terminal-Bench，而是"用它改一个真实仓库，提交能不能一次通过评审"。
另外，定价维持 2 美元输入、6 美元输出不变，在 OpenAI 把 Luna 打到 0.1 美元的当天显得并不便宜。这其实是 xAI 的一贯策略：不参与价格战，而用"长任务 + 编程生态"去换取愿意为效果付费的开发团队。它赌的是那部分用户对单价的敏感度低于对"一次把活干完"的敏感度。
放到更大的坐标系里，Grok 4.7 的处境折射出整个编程智能体赛道的焦虑：当 Cursor、Claude Code、Codex、Gemini CLI 同时把"长任务"当作主战场，差异化越来越难靠一句"我更强"讲清楚，于是评测数字成了唯一的通用语言——但也正因如此，数字的可信度才被放在放大镜下。对普通开发者，最理性的态度是把榜单当线索、把真实仓库当考场：你团队里那个拖了三周的遗留模块，就是最好的评测集。
我的判断：Grok 4.7 最值得试的不是它宣称的跑分，而是它真正解决的问题——长任务里的"自我检查"和"上下文管理"。这两点是 Agent 落地的命门：任务一长就发散、一长就忘记前提，是几乎所有编程智能体共同的病。如果 4.7 在这方面确实进步，38.0% 的绝对值低不低就没那么重要了。实操建议：拿你团队真实的多步重构或遗留代码任务去测，观察它在第 20 步之后是否还在遵守最初的约束——那才是"长任务能力"的真考场。榜单会骗人，跑不完的活不会。
