Artificial Analysis：Grok 4.7 的智能指数与编码代理

一句话结论

Artificial Analysis 用 xhigh 档测得 Grok 4.7 的 Intelligence Index v4.3 为 46，Coding Agent Index v1.5 在 Grok Build 上为 56；知识工作 Elo 高于 Grok 4.6 (high)，同时每道智能指数题的输出 token 大约 81k。

适用场景

• 适合判断的任务：比较 Grok 4.7 (xhigh) 在 Artificial Analysis 统一 harness 下的综合智能指数，以及在 Grok Build 这一方编码代理里的 Coding Agent Index；判断 AA-Briefcase、GDPval-AA 这类长程知识工作，以及输出 token、解码时间和幻觉率。

• 不适合外推的任务：把本页分数换成 xAI 发布页的自报基准；把 Grok 4.6 的 high 与 xhigh 当成同一档；把 Coding Agent Index 里的 Terminal-Bench 4.0 当成 Intelligence Index 里的同名项目；把约 7.1 分钟理解成含首 token 和开销的端到端墙钟时间；把标价理解成本次评测的美元花费。

• 适用的模型版本：Grok 4.7，评测档位为 xhigh。对照里同时出现 Grok 4.6 (high) 和 Grok 4.6 (xhigh)，二者分数不同。文章没有给出 Grok 4.7 的 low、medium、high 分数，也没有出现 Grok 4.7 Fast 或 fast variant。

• 测试环境或客户端：Intelligence Index 使用跨模型统一的 evaluation harness，具体软件名未注明。Coding Agent Index 对 Grok 使用其一方编码代理 Grok Build；同图其他模型使用各自的 native harness，图上可见 Claude Code、Codex、Muse Code、Opencode、Kimi Code CLI、Antigravity SDK。API provider、地区和硬件未注明。

• 推理档位和参数：文章写明可配置推理档位从 low 到 xhigh，本次评测使用 xhigh。温度、top-p、随机种子、最大输出、工具 schema、样本量和 fallback 的具体含义均为未注明。

测评方法

这是 Artificial Analysis 2026-09-21 的独立评测文章，不是 xAI 发布说明。正文写 “We evaluated the new model at xhigh reasoning effort.” 分项图标题写 “Intelligence evaluations measured independently by Artificial Analysis”。

两套指数必须分开：

• Artificial Analysis Intelligence Index v4.3。图注写明包含 10 项：AA-Briefcase、GDPval-AA v2、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1。正文写明这套结果使用跨模型统一的 evaluation harness。

• Artificial Analysis Coding Agent Index v1.5。图注写明包含 3 项：DeepSWE v1.1、Terminal-Bench 4.0、SWE-Atlas-QnA，Higher is better。Grok 的这套结果使用 Grok Build。正文写明它与 Intelligence Index 分开。

图上还有这些口径，均是 Artificial Analysis 的测量说明，不是 xAI 自报：

• AA-Briefcase Elo：综合 rubric pass rate、analytical quality Elo 和 presentation Elo，Higher is better。

• GDPval-AA v2：真实工作任务的 Elo，锚定人类基线 1,000，Higher is better。

• 编码三项分图：Average pass@1，Higher is better。

• 智能指数每题输出 token：加权平均，图例分开 Answer 与 Reasoning。

• 每题时间：加权平均解码时间（分钟），excludes TTFT and overhead time，Lower is better。

• AA-Omniscience Index：分数范围 -100 到 100；答对加分，幻觉扣分，拒答不扣分；0 表示对与错一样多。

• AA-Omniscience Accuracy：在全部问题中答对的比例，不论模型是否选择作答。

• AA-Omniscience Hallucination Rate：在所有非正确回应中答错的比例，即 incorrect / (incorrect + partial answers + not attempted)，Lower is better。

文末分项大图把 AA-Briefcase 和 GDPval-AA v2 画成 (Elo-500)/2000，所以那两格的百分数不是原始 Elo。Terminal-Bench 4.0 与 GDP.pdf 在该图上标了 NEW。GDP.pdf 的副标题是 “Professional document reasoning, All-pass”。

“Other model details” 里的上下文窗口和标价是文章列出的模型规格。它们不是 Intelligence Index 或 Coding Agent Index 的得分。

关键结果

以下先列 Artificial Analysis 的测量，再列文章中的模型规格。

Artificial Analysis 测量

• Intelligence Index：Grok 4.7 为 46，正文写比 Grok 4.6 高 2 分。指数图把 Grok 4.7 标为 (xhigh)、46，把 Grok 4.6 标为 (high)、44。

• 编码代理：Grok 4.7 (xhigh) + Grok Build 为 56，比 Grok 4.6 (xhigh) + Grok Build 的 47 高 9 分。正文称在 native harness 比较中排第 4，只落后于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5。标题写 Coding Agent Index 超过 GPT-5.6 Sol。

• AA-Briefcase：Grok 4.7 为 1657 Elo，比 Grok 4.6 (high) 高 111。分析质量 1994 Elo，展示质量 1499 Elo；Grok 4.6 (high) 分别为 1690 和 1519。展示质量低于 Grok 4.6 (high)。

• GDPval-AA：Grok 4.7 为 1695 Elo，Grok 4.6 (high) 为 1605 Elo，正文写高出 90。

• 智能指数里、统一 harness 下，相对 Grok 4.6 (high)：Terminal-Bench 4.0 高 4.5 个百分点，GDP.pdf 高 3.0 个百分点，AA-LCR 低 3.7 个百分点，AutomationBench-AA 低 1.1 个百分点。这四项的绝对分在正文里未给出。

• Grok Build 分项，与上面的统一 harness 不是同一组数字：DeepSWE v1.1 从 65% 到 73%，Terminal-Bench 4.0 从 18% 到 33%，SWE-Atlas-QnA 从 58% 到 63%。对照对象是 Grok 4.6 (xhigh)。

• 输出 token：Grok 4.7 (xhigh) 每道智能指数题大约 81k。正文先与 Grok 4.6 (high) 的 36k、GPT-6 Astra (max) 的 27k 比较，并写分别多 125% 和 196%。后文又写 Grok 4.6 (xhigh) 为 38k，Muse Spark 1.3 (max) 为 60k，GPT-6 Astra (max) 仍为 27k。

• 速度与时间：长提示下答案输出速度大约 188 tokens/second。每道智能指数题大约 7.1 分钟；时间图把该指标定义为不含 TTFT 和 overhead 的解码时间。

• AA-Omniscience：Grok 4.7 (xhigh) 的幻觉率 29%，Grok 4.6 (high) 为 34%。准确率 47% 对 48%。指数从 30 到 32。

文章列出的模型规格，不是本次得分

• 上下文窗口 500k tokens，与 Grok 4.6 相同。

• 价格为每百万 token 输入 $2、输出 $6，cache hit 为每百万 token $0.50，与 Grok 4.6 相同。

• 推理档位可从 low 配到 xhigh。

标题还写 Grok 4.7 使 SpaceXAI 进入 “top 4 AI labs”。文章没有列出这四家实验室的名单。指数图上 Grok 4.7 (xhigh) 的 46 低于 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5、Claude Fable 5、Muse Spark 1.3 和 GPT-5.6 Sol。

原始数据

采集日为 2026-09-22。Elo 图上有误差线，但没有印出区间端点，下表只记柱上的点估计。未印出的推理档位不补写。

1. Intelligence Index v4.3

图注所列 10 项见上文。柱序与图上从左到右一致。

2. Coding Agent Index v1.5

Harness 与模型按图上标签分行。Grok 使用 Grok Build。

Grok Build 三项 pass@1，正文给出的是 Grok 4.7 (xhigh) 相对 Grok 4.6 (xhigh)：

3. AA-Briefcase Elo 与 GDPval-AA v2

AA-Briefcase 图上 Grok 4.7 为 (xhigh)。GDPval 图同样把 Grok 4.7 标为 (xhigh)。人类基线为 1,000。

正文另给 AA-Briefcase 的质量分，只覆盖这一对：

Grok 4.7 在这张质量分里的推理档位，正文未单独重复；同段综合 Elo 1657 与上表 (xhigh) 的 1657 相同。

4. 输出 token、时间、速度

智能指数每题输出 token。正文用 “approximately”。图上另印总分，并把 Answer 与 Reasoning 分成两段。11k 与 17k 相加不等于柱顶的 27k，表中保留图上印出的数字，不改写成能加总的值。

正文写 81k 比 36k 多 125%，比 27k 多 196%。

5. AA-Omniscience

6. 模型规格

结论与边界

Grok 4.7 (xhigh) 在这篇文章里的优势集中在两类任务：统一 harness 下的长程知识工作（AA-Briefcase 1657、GDPval-AA 1695），以及 Grok Build 上的编码代理指数（56）。分析质量 Elo 明显高于 Grok 4.6 (high)，展示质量 Elo 更低。统一 harness 下的 Terminal-Bench 4.0 和 GDP.pdf 有小幅上升，AA-LCR 与 AutomationBench-AA 有小幅下降。这些升降的绝对分未在正文给出。

token 用量是边界的一部分。约 81k 输出 token 高于正文点名的 Grok 4.6 (high) 36k、Grok 4.6 (xhigh) 38k、Muse Spark 1.3 (max) 60k 和 GPT-6 Astra (max) 27k。图上 Grok 4.7 的 81k 里，Reasoning 段为 59k，Answer 段为 22k。

下列内容不能并进上面的测量：

• xAI 发布页上的 CursorBench、DeepSWE、EEBench 等自报分数。本篇没有打开或引用那一页的数字。DeepSWE 与 Terminal-Bench 若要引用，只能使用本文的 Artificial Analysis / Grok Build 口径。

• 模型索引页。文章链到了该页，本篇没有用它补分数、provider 或价格。

• high 与 xhigh。智能指数图上的 44 标的是 Grok 4.6 (high)，与正文的 +2 分对应；AA-Briefcase、GDPval 和 Omniscience 的对照也是 Grok 4.6 (high)。编码代理对照是 Grok 4.6 (xhigh)。

• 两套 Terminal-Bench 4.0。统一 harness 只给了相对 Grok 4.6 (high) 的 +4.5 个百分点。Grok Build 给的是 18% 到 33%。

• 7.1 分钟。它是不含 TTFT 和 overhead 的解码时间。

• $2 / $6 和 cache $0.50。这是标价。文章没有给出跑完智能指数或编码指数的美元成本。

• “top 4 AI labs”。这是标题用语，文章没有给出实验室排名表。

• 样本量、置信区间数字、温度、种子、provider、API model ID，以及 “with fallback” 的含义，均为未注明。

复现说明

1. 打开 https://artificialanalysis.ai/articles/benchmarking-grok-4-7 ，核对日期 September 21, 2026 和标题中的指数 46。

2. 先读正文，把 xhigh、Grok Build、统一 harness 分开。不要用模型索引页填补本文没有的字段。

3. 指数、Elo、token 和编码代理分数在文内图片里。读柱顶数字和斜向模型名，保留图上的推理档位。Elo 图只复述点估计。

4. 分项大图的 AA-Briefcase 与 GDPval 轴是 (Elo-500)/2000。不要把那些百分数当成原始 Elo，也不要当成正文里的 1657 或 1695。

5. 文章没有公开题目清单、评分脚本、随机种子或请求参数，第三方不能按本文逐题重跑。能核对的是 2026-09-22 这一版页面上的指数版本、harness 名称、档位、Elo、token、时间和对照模型集合。