实测Grok 4.7：长程复杂任务推理能力显著提升，但Token消耗翻倍

刚花了一下午玩了下新发布的Grok 4.7，说下真实感受。

整体来说老马这次有些克制，Grok4.7不是那种让你一开口就喊牛逼的模型，日常写个函数、改个小 Bug 几乎感觉不到和 4.6 的区别，

但是一旦把任务拉长，比如跨文件排错、在终端里连续跑几十分钟不断调整方案，它和 4.6 就不是一个物种了，

这次底座换大了，官方确认训练重心偏向了要花好几小时才做完的长难任务。

在多小时终端代理的标准测试里，成功率从 20.3% 拉到了 38%，几乎翻倍，电气工程测试达到 64% 也明显高于竞品。更值得注意的是第三方拆出来的分析质量分，从 1690 飙到了 1994，但呈现和排版基本没变。

它进化的不是表面功夫，核心在深度推理和长上下文里自己核验自己的内功。

为了试它到底有没有在复杂约束下一次把活干完的能力，我出了道反常识考题：手写一个自行车骑鹈鹕的纯前端 3D 交互网页，

跑了半个小时，最后吐出来 580 多行原生代码，零外部依赖，自行车在鹈鹕背上，缰绳从车把拉到鸟嘴，双翼各有独立的扑腾频率，脚踏曲柄自转，鼠标划过去整个场景在三维空间里平滑旋转。

谁骑谁、部件之间什么关系、运动层级怎么嵌套，全对。

不过有一件事必须提前说清楚，官方那张对比表里有个坑，4.7 跑的是极高思考档位，4.6 跑的是普通高档位，单次任务的输出 Token 从大约 36k 涨到了 81k。

同单价没错，但单次任务实际消耗翻了倍多，而且提示词超过 20 万 Token 价格直接翻倍，

所以大家千万别把所有任务无脑切过去，日常短活用 4.6 或者普通高档更省钱，只有在 Cursor 或 Grok Build 里啃那些容易卡死、需要反复排错的跨文件重活，才值得让 4.7 拉满档位下场。

总的来说，它不是全面超越所有模型的东西，纯编码天花板还在 Anthropic 那边，临床推理也打不过 Fable。

但在这个价位上，它可能是目前最适合当长程主力工具的选择，写短注释的时候你不会感谢它，在终端里被一个诡异 Bug 折磨两小时、它替你逐步自检排查出来的时候，你一定会的哈哈