大模型竞争的下一个战场，不在单轮问答的榜单上，而在智能体能否把一件事坚持做完。
2026 年 10 月，SpaceXAI 的最新模型 Grok 4.7 登陆亚马逊云科技的 Amazon Bedrock。表面上，这又是一次“多模型市场再添一员”的常规上架。但亚马逊云科技工程师在博客里交出的一组实验数据，暴露了行业真正的拐点：同一个模型、同一套工具调用智能体，把“推理努力程度”从 low 调到 xhigh，正确率从 83% 爬到 100%，输出 token 也翻了 7.7 倍。
这意味着，构建长程智能体的核心问题，已经从“选哪个模型”变成了“每一步花多少算力去想”。
Grok 4.7 到底强在哪
按照 SpaceXAI 的说法，Grok 4.7 用了比 Grok 4.6 更大的基座模型，并用更长的强化学习周期、在更难的任务混合上重新训练。这套任务混合刻意偏向那些需要数小时才能完成的问题。官方给出的结论是：它更擅长检查自己的工作，也更擅长管理更长的上下文。
这套训练取向直接反映在基准测试里。Grok 4.7 相对 4.6 涨幅最大的，全是衡量“持续工作能力”而非“单轮作答”的项目。根据 SpaceXAI 发布、被亚马逊云科技博客引用的数据：
- Terminal-Bench 4.0（多小时终端工作）：从 20.3% 跳到 37.6%，几乎翻倍；
- EEBench（电气工程）：从 53.0% 升到 64.0%；
- Harvey Legal Agent Benchmark（法律工作）：从 15.8% 升到 19.6%；
- CursorBench 4.0（长时编程）：从 40.4% 升到 46.3%；
- HealthBench Professional（临床推理）：从 48.5% 升到 56.7%；
- AA Briefcase v1.1（多小时办公任务，Elo 分）：从 1,546 升到 1,657。
Grok 4.7 提供 50 万 token 上下文窗口，支持文本和图像输入、文本输出，推理努力程度分 low、medium、high、xhigh 四档。第三方报道显示，它保持与 4.6 相同的定价：每百万输入 token 2 美元、输出 6 美元。
但基准测试只告诉你模型在标准任务上表现如何。对真正要干活的企业来说，下一步是在“长得像你自家业务”的任务上实测——这正是这篇 AWS 博客最有价值的部分。
72 次真实运行，画出一条成本—质量曲线
亚马逊云科技没有复述官方基准，而是直接搭了一个会调用工具的智能体，用 Grok 4.7 在三个“需要搜索而非查表”的任务上跑了 72 次。三道题都只有一个正确答案，且用暴力枚举验证过：从告警中诊断一个双服务故障；在相互冲突的约束下安排维护计划；在预算内选出最优迁移组合。
每个任务在每一档推理努力程度上跑 6 次，共 72 次智能体运行。结果很直观：
- low：15/18 正确，中位耗时 18 秒，单次平均输出 1,184 个 token；
- medium：17/18 正确，中位耗时 98 秒，平均输出 6,430 个 token；
- high：17/18 正确，中位耗时 89 秒，平均输出 6,778 个 token；
- xhigh：18/18 全对，中位耗时 106 秒，平均输出 9,147 个 token。
总计 72 次运行答对 67 次。xhigh 档 100% 正确，low 档的输出 token 只有 xhigh 档的约八分之一。
这张表里藏着三个反直觉的信号。先看工具调用次数：各档位之间几乎不变，约 17 到 19 次。也就是说，模型并没有因为“更努力思考”就少犯错、少走弯路；它只是把每一步都想得更深。
再看延迟。跃升发生在 low 到 medium 之间：从 18 秒跳到 98 秒，而 medium 到 xhigh 之间几乎不再增加。换句话说，“开始认真想”的门槛成本很高，但从 high 到 xhigh 的边际延迟很小。
最后是准确率。从 17/18 到 18/18 的最后一跃，代价是输出 token 从约 6,600 涨到 9,147。最后一个正确答案，是用真金白银的算力换来的。
这正是长程智能体的本质：它不能只查资料，它要形成一个候选答案，拿它和已学到的东西对质，再反复修正直到自洽。Grok 4.7 暴露出的 reasoning effort 设置，控制的正是每次回答前发生多少“深思”。
为什么“按请求调档位”比“选模型”更重要
这次实验最实际的结论，是推理努力程度可以按每次请求单独设置。这意味着智能体的不同步骤可以坐在“彻底性”和“token 成本”这条曲线的不同位置上。
想象一个典型的运维智能体：它要先读取告警、再定位故障服务、再检索变更记录、最后给出修复建议。前几步只需要快速检索，low 档 18 秒、1,184 个 token 就够；到了形成最终诊断、需要自我验证的那一步，再切到 xhigh，用 106 秒换 100% 的正确率。
这比“整个智能体全程用最强档位”或“全程用最低档省钱”都更合理。前者贵得没必要，后者在关键步骤上省出了事故。
亚马逊云科技在博客里给出的建议也正是如此：用你自己形状的任务做基准，每档重复多次运行以观察稳定性，并按努力程度监控输出 token 和工具调用次数，把质量测量和运营信号放在一起看。
他们甚至刻意全程用 token 数量而非金额报告成本，理由很直接：token 价格会变，但 token 数量是你自己成本的直接来源，用 token 表达的测量长期有效。
Bedrock 上的 Grok 4.7，只是云厂商“模型超市”逻辑的延续
从工程接入角度看，Grok 4.7 在 Bedrock 上通过 bedrock-runtime 端点、以跨区域推理配置文件的方式访问。两个配置文件各有用途：us.xai.grok-4.7 把请求在美国地理范围内路由，适合有美国数据驻留要求的场景；global.xai.grok-4.7 覆盖商业 AWS 区域，适合没有驻留约束、追求最大容量的场景。
跨区域推理把请求分发到多个 AWS 区域，换来的是更高吞吐量，而不用逐个区域管理容量。请求时填写的是推理配置文件名称，而不是裸模型 ID。
模型同时支持 OpenAI 兼容的 Chat Completions 和 Responses API，以及 Amazon Bedrock Converse API。在 Converse 接口上，推理内容以 reasoningContent 块的形式与 text 块一起返回；inferenceConfig 里只设 maxTokens，reasoning effort 这类模型专属参数则放进 additionalModelRequestFields。
这套设计的潜台词是：云厂商不再只是卖算力，而是在卖“模型路由、推理配置、监控”的完整智能体基础设施。SpaceXAI 负责把模型训练得更会“长时间工作、会自查”，亚马逊云科技负责让企业用最低摩擦把这种能力接进自己的系统。
也要看到，Grok 4.7 并非全面领先。第三方评测显示，它在编码和终端任务上仍落后于部分竞品；但对企业用户而言，能在一个统一的 Bedrock 控制台里同时调用多家厂商的模型、按任务路由、按步骤调档位，这种“可组合性”的价值往往超过单一模型在某个榜单上的领先。
谁会赢，谁危险
Grok 4.7 登陆 Bedrock 这件事本身，重要性不如它附带的那张成本—质量曲线。
过去两年，行业把太多注意力放在“哪个模型更聪明”上。但从智能体的视角看，聪明只是入场券，真正的分水岭是“能否在长链条里持续自我验证”。Grok 4.7 的训练取向——更大的基座、更长的强化学习、更偏向数小时任务的混合——正是对着这个缺口去的。
对模型厂商来说，下一步的竞争点会从单轮榜单转向“长程任务完成度”和“每任务成本”。对使用智能体的企业来说，真正的杠杆不再是盲目追新模型，而是建立自己的评估集：用自己真实形状的任务，测出每一档推理努力程度下的正确率、token 和延迟，然后把档位选择写进业务逻辑里。
最危险的企业，是那些还在用单轮问答的思维构建智能体、却指望它自动可靠地完成长链条任务的公司。因为实验已经说得很清楚：low 档能省八分之一的 token，但代价是六分之一的任务会做错。
智能体时代，最贵的不是 token，而是把一件事做对的执念。Grok 4.7 把这种执念标上了价签：xhigh 档 100% 正确，代价是 7.7 倍的输出量。剩下的问题只有一句——你的业务，哪一步值得花这个钱。
快报