两分。放在任何统计报告里，这都是噪声级别。但在 Artificial Analysis 刚刚放出的评测中，正是这 2 分，把 Grok 4.7 从 Grok 4.6 身边挪开了一个身位——智能指数 46 分。更值得盯的是另一个数字：AA-Briefcase 拿到 1657 Elo，比上一代整整高出 111 分，前面只剩 Claude Opus 5 和 Claude Fable 5.1 两个名字。同一个模型身上同时出现"小步走"和"跨栏"两种姿态，这件事本身就有信息量——xAI 这次动的不是通用推理的肌肉，而是智能体知识工作和编码代理这两块最容易被工程团队拿去算账的地方。账本的另一面同样写得清楚：token 用量偏高。
46 分，智能指数榜上的身位变化
2 分的含金量，得看分布长什么样
把 46 和 44 摆在一起比，很容易得出"就这"的结论。数字确实不大。但智能指数这种聚合指标有个特点：它是多组基准归一化、加权、再加总出来的产物，越往高处爬，每一分的边际成本越贵。榜单中段挤满了模型，分数咬得极紧；能摸到 40 以上的，本来就只剩一小撮。Grok 4.6 到 Grok 4.7 这 2 分，换算成相对提升大约 4.5%，听起来还是平平，可它带来的位置变化不小——从"紧跟第一梯队"变成了"坐在第一梯队里面"。做技术选型的人对这个差别很敏感：前者的意思是备选，后者的意思是候选。
榜首那两位，暂时没打算挪窝
AA-Briefcase 的榜单上，排在 Grok 4.7 前面的仍然是 Claude Opus 5 和 Claude Fable 5.1，这两款模型在智能体知识工作这个细分场景里的位置相当稳固。Grok 4.7 这次做到的是拉近距离，不是完成超越。对 xAI 来说，从"差距明显"走到"差距可测量"，已经是这一代能拿到的最好结果之一。真正的悬念留给下一代：如果 111 Elo 这个跃升幅度能在下一次迭代里复现，榜首的排序就得重新讨论了。
AA-Briefcase 的 1657 分，才是硬菜
111 Elo 不是微调能解释的量
Elo 体系里涨 111 分是什么概念？棋类比赛的经验值是，150 分上下的差距往往对应着明显的胜率倾斜；一百分出头的跃升，通常出现在模型换了训练范式、或者推理阶段的计算量被大幅加码的时候。Grok 4.6 与 4.7 之间，xAI 显然没打算保守。更关键的是场景——AA-Briefcase 测的不是单轮问答，而是知识工作者日常处理的那类活：读材料、做判断、写产出、来回改。这类任务对模型的持续状态管理、工具调用和长上下文利用率要求极高，也恰恰是最不容易靠刷题刷上去的部分。
智能体基准为什么不好糊弄
单项能力基准容易被针对性优化。数学题、代码题、阅读理解，训练数据里多灌一点同类样本，分数就往上走。智能体类评测是另一回事：它模拟的是一整段工作流，中间每一步都会影响后续输入，模型得自己判断什么时候去查资料、什么时候动手、什么时候停下来确认。任何一个环节掉链子，最终交付物就废了。Grok 4.7 在这个位置上拿到 1657 Elo，说明它的流程掌控力确实比上一代结实。
编码代理，马斯克说的第三
围绕这次发布的另一条信息来自马斯克本人：他称 Grok 4.7 让 xAI 在智能体编码领域位列第三。这个说法和 AA-Briefcase 的名次大致能对上——前面是 Claude 的两款模型，后面是其余所有。编码代理是当前商业化落地最快的方向之一，从代码补全到仓库级重构，再到自动跑测试、自动提 PR，工具链的成熟度直接决定模型能不能被雇来干活。xAI 把自己安进前三，等于对外宣布：在这个最讲究实战的赛道上，它有资格参与投标了。
分数之外，那张 token 账单
排行榜不标价
Artificial Analysis 的评测里点出了一个容易被跳过的事实：Grok 4.7 的 token 用量偏高。所有基准榜单都有同一个毛病——只报成绩，不报代价。可对真正掏钱的人来说，成本才是决定模型能不能上线的那个变量。一个模型每完成一项任务要烧掉别人两倍的 token，即便分数高出一截，账单也可能是两倍。评测机构把这条写进结论，算是替用户把半个算盘递了过来。
高消耗通常从哪儿冒出来
token 用量高，往往不是模型"口吃"，而是它在推理过程中做了更多中间步骤：拆解问题、自我检查、反复调用工具、把上下文重新读一遍。这些动作换来更高的成功率，代价是每一次调用都更贵、更慢。做批量文档处理、跑自动化流水线、或者给成千上万用户提供在线服务的团队，对这部分开销特别敏感。反过来看，如果是低频、高价值的任务——一次性的复杂技术调研、需要反复推敲的架构方案——那么多花点 token 换一个能直接用的结果，账反而划算。
放进选型表之前，先对齐三件事
任务链路有多长
Grok 4.7 的优势集中在长链路、多步骤的任务上。如果你的场景只是把一句话改得更礼貌、给一段文本分类打标，那这次升级带来的收益基本感知不到，反而要承担更高的 token 消耗。链路越长、中间需要判断的节点越多，1657 Elo 的价值才越能兑现。反过来说，短平快的任务交给更便宜的模型，不会有什么损失。
预算是按 token 算还是按结果算
这两种记账方式会导出完全相反的结论。按 token 计费的团队看到用量数据会皱眉；按交付结果计费的团队只关心返工率。智能体任务的隐性成本大头往往就是返工——模型跑偏一次，重来一遍的时间和 token 都得自己吞。高分模型减少的是这类浪费，而不是单次调用的单价。想清楚自己付的是哪一笔钱，答案自然浮出来。
备胎留几个
AA-Briefcase 前三名的格局目前相当清晰：Claude Opus 5、Claude Fable 5.1、Grok 4.7。把三家都接进同一套抽象层，按任务类型做路由，是这两年比较务实的做法。模型迭代的速度摆在那儿，任何一次榜单更新都可能改变最优解，绑定单一供应商等于把选型权交出去。Grok 4.7 这份成绩单最大的意义，或许不是"该换模型了"，而是"该把第三个选项加进清单了"。
