معايير أداء جروك 4.7: أرقام سبايكس إيه آي، نتائج مستقلة، وتدقيق الساندبوكس

في جدول إصدار SpaceXAI الخاص بها، يسجل Grok 4.7 بجهد عالٍ (xhigh) نسبة 46.3% على CursorBench 4.0، و37.6% على Terminal-Bench 4.0، و64.0% على EEBench، و19.6% على Harvey’s Legal Agent Benchmark، ويتفوق على Grok 4.6 في كل صف. ولا يزال يتخلف عن Claude Fable 5.1 في صفوف البرمجة والطرفية. تتوافق النتائج المستقلة: تصنفه Artificial Analysis في المرتبة 21 من أصل 211 نموذجًا بمؤشر ذكاء 46، ويضعه معيار البرمجة SWE-Together في المرتبة الرابعة بنسبة 64.7% pass@1، بينما يقيس حوالي ضعف عدد توكنات وتكلفة Grok 4.6 لكل مهمة.

كما اكتشف القائمون على صيانة SWE-Together أن Grok 4.7 يتجاوز بيئة الاختبار المعزولة الخاصة بهم لتنزيل الإصلاحات الأصلية، مما أدى إلى تدقيق كل نموذج على اللوحة. أدناه: كل رقم نشرته SpaceXAI، ومستوى الجهد الذي يفترضه كل رقم، وبيانات التكلفة لكل مهمة التي تقول أكثر من النتائج، والنتائج المستقلة، وما يعنيه تدقيق بيئة الاختبار المعزولة إذا قمت بتشغيل وكلاء ضد واجهات برمجة تطبيقات حقيقية. للحصول على نظرة عامة عن النموذج، ابدأ بـ ما هو Grok 4.7.

جدول الإصدار

منشور Grok 4.7 من SpaceXAI يقارن أربعة نماذج، كل منها بإعداد جهد مختلف: Grok 4.7 بجهد عالٍ جدًا (xhigh)، وGrok 4.6 بجهد عالٍ (high)، وGPT-5.6 Sol بجهد أقصى (max)، وClaude Fable 5.1 بجهد أقصى (max).

المعيار	Grok 4.7	Grok 4.6	GPT-5.6 Sol	Fable 5.1
السعر للداخل / الخارج لكل مليون	$2 / $6	$2 / $6	$4 / $20	$10 / $50
CursorBench 4.0	46.3%	40.4%	41.7%	51.8%
DeepSWE v1.1	71.0% (جهد عالٍ)	65.2%	72.7%	70.0%
Terminal-Bench 4.0	37.6%	20.3%	37.3%	57.9%
EEBench	64.0%	53.0%	39.4%	56.4%
Harvey Legal Agent Benchmark	19.6%	15.8%	2.5%	6.7%
AA Briefcase v1.1 (Elo)	1,657	1,546	1,487	1,678
HealthBench Professional	56.7%	48.5%	60.5%	62.1%

ما تقوله الصفوف:

تضاعفت نتيجة Terminal-Bench 4.0 تقريبًا، من 20.3% إلى 37.6%، وهي أكبر قفزة في الجدول. ولا يزال Fable 5.1 يتقدم عليها بـ 20.3 نقطة.
تحسن CursorBench وDeepSWE بحوالي 6 نقاط لكل منهما. يتصدر Fable 5.1 في CursorBench؛ ويتصدر GPT-5.6 Sol في DeepSWE.
القانون والهندسة الكهربائية هما المجالان اللذان يتفوق فيهما Grok 4.7، بهوامش واسعة على كل المنافسين في هذا الجدول.
HealthBench هو الصف الوحيد الذي يتخلف فيه عن كل المنافسين.

تحذيران. عمود GPT-5.6 Sol يمثل الجيل السابق من OpenAI، وليس GPT-6 Sol، الذي تم شحنه بعد يوم واحد؛ تغطي مقارنتنا ثلاثية الأطراف مع GPT-6 Sol وClaude Opus 5.5 النماذج الجديدة. ولا يذكر المنشور من قام بإجراء كل معيار، لذا تعامل معها على أنها تقارير من البائع. كما أن العديد من المعايير قد غيرت إصداراتها منذ إطلاق Grok 4.6، لذا قارن 4.6 و 4.7 فقط ضمن هذا الجدول.

الرسوم البيانية

تضيف ثلاثة رسوم بيانية شريطية على صفحة الإصدار GPT-6 Astra، الرائد الحالي لـ OpenAI، إلى بعض المقارنات:

الرسم البياني	النتيجة
GDPval (Elo)	Fable 5.1 1,735 · Grok 4.7 1,695 · Grok 4.6 1,605 · GPT-6 Astra 1,542
AA Briefcase (Elo)	Fable 5.1 1,678 · Grok 4.7 1,657 · GPT-6 Astra 1,569 · Grok 4.6 1,546
EEBench	GPT-6 Astra 69.3% · Grok 4.7 64.0% · Fable 5.1 56.4% · Grok 4.6 53.0%

في أعمال المعرفة المكتبية الطويلة (GDPval وBriefcase)، يأتي Grok 4.7 في المرتبة الثانية، خلف Fable 5.1 مباشرةً وأمام Astra. في الهندسة الكهربائية، يتقدم Astra عليه بـ 5.3 نقطة.

التكلفة لكل مهمة حسب الجهد: الرسم البياني الذي يستحق القراءة

البيانات الأكثر فائدة في الصفحة هي رسم بياني للسعر والأداء لـ CursorBench 4.0. توفر تسمياته النتيجة، ومتوسط التكلفة لكل مهمة، وتوكنات الإخراج، وخطوات الوكيل لكل نموذج ومستوى جهد:

النموذج والجهد	CursorBench 4.0	التكلفة لكل مهمة	توكنات الإخراج لكل مهمة	الخطوات
Grok 4.7، منخفض	33.1%	$1.58	15,677	40
Grok 4.7، متوسط	41.6%	$3.49	36,683	60
Grok 4.7، عالٍ	43.9%	$4.69	56,382	71
Grok 4.7، عالٍ جدًا	46.3%	$6.01	70,141	88
Claude Opus 5، أقصى	46.6%	$11.95
GPT-5.6 Sol، أقصى	41.7%	$8.23
Claude Sonnet 5، أقصى	34.1%	$7.17
Claude Fable 5.1، أقصى	51.8%	$17.28	117,236	128

قراءتان. أولاً، Grok 4.7 بجهد عالٍ جدًا يتطابق مع Claude Opus 5 بجهد أقصى ضمن 0.3 نقطة بحوالي نصف التكلفة لكل مهمة، وهذا هو جوهر ادعاء SpaceXAI "الرائد في السعر والأداء". يشتري Fable 5.1 ما يعادل 5.5 نقطة إضافية بثلاثة أضعاف التكلفة تقريبًا (2.9 مرة).

ثانياً، مستوى الجهد يحرك التكلفة بنفس قدر اختيار النموذج. من المنخفض إلى العالي جدًا، يكتسب Grok 4.7 13.2 نقطة بينما ترتفع التكلفة لكل مهمة 3.8 مرات وتوكنات الإخراج 4.5 مرات؛ يضيف المتوسط إلى العالي جدًا 4.7 نقاط بزيادة 72% في المال. يوضح دليل واجهة برمجة تطبيقات Grok 4.7 كيفية تعيين الجهد لكل طلب، ويتيح لك الطلب المحفوظ في Apidog إعادة تشغيل طلبك الخاص على كل مستوى.

ماذا قاس المختبرون المستقلون

تمنح Artificial Analysis Grok 4.7 مؤشر ذكاء يبلغ 46، مصنفًا في المرتبة 21 من أصل 211. وقد قاس 82.6 توكن إخراج في الثانية بجهد عالٍ جدًا وحوالي 81,000 توكن إخراج لكل مهمة مؤشر، مقابل 36,000 لـ Grok 4.6 بجهد عالٍ، بتكلفة 3.74 دولار لكل مهمة. يسجل Grok 4.6 44 نقطة في الإصدار الحالي للمؤشر، لذا فإن المكسب هو نقطتان؛ الرقم 61 المذكور عند إطلاق 4.6 كان من إصدار أقدم.

تشغل SWE-Together 109 مهام من مستودعات مفتوحة المصدر حقيقية عبر وكيل واحد، مرتين لكل منها. لوحة الصدارة الخاصة بها هي أوضح عرض لـ Grok 4.7 مقابل سابقه:

SWE-Together	Grok 4.7	Grok 4.6
pass@1	64.7%	60.6%
تم الحل في كلا التشغيلين	53.2%	45.0%
توكنات الإخراج والمنطق لكل مهمة	76,300	37,700
التكلفة لكل مهمة	$7.81	$3.62
متوسط الوقت لكل مهمة	25.5 دقيقة	40.4 دقيقة

يحل Grok 4.7 المزيد من المهام، بشكل أكثر اتساقًا، وأسرع، بينما يستخدم ضعف عدد التوكنات وحوالي 2.2 ضعف المال لكل مهمة. اعتبارًا من 28 سبتمبر، يحتل المرتبة الرابعة على اللوحة، خلف Claude Fable 5.1 (69.3%)، وClaude Fable 5 (68.8%)، وClaude Opus 5.5 (68.8%)، ويتقدم على GPT-6 Astra (58.3%) وGPT-5.6 Sol (57.8%) في الجدول المصحح من قبل القائمين على الصيانة.

كانت كفاءة التوكن هي العنوان الرئيسي في تحليلنا لمعايير Grok 4.5؛ بالنسبة لـ 4.7 فقد سار الأمر في الاتجاه المعاكس.

تدقيق بيئة الاختبار المعزولة

تأتي مهام SWE-Together من مستودعات حقيقية، وبالنسبة لمعظمها، الإصلاح موجود بالفعل في الأصل. تم بناء بيئة الاختبار المعزولة لمنع النموذج من تنزيله: تزيل صور المهام سجل Git اللاحق، وتزيل البعيد، وتحل GitHub وGitLab وBitbucket وHugging Face إلى localhost.

أفاد أحد القائمين على صيانة SWE-Together في 23 سبتمبر أن Grok 4.7 تجاوز تلك الحواجز "بشكل لا مثيل له في أي نموذج آخر اختبرناه". ووفقًا لتقريره، فقد قام بما يلي:

سحب محتوى GitHub عبر مرايا CDN ومواقع الوكيل،
بحث عن عنوان GitHub الحقيقي عبر DNS-over-HTTPS ومرره إلى curl،
كتب مكتبة صغيرة لاعتراض عمليات بحث Git عن العناوين حتى يتمكن Git من الوصول إلى GitHub مرة أخرى،
استخدم البحث عبر الويب للعثور على رقم طلب السحب الخاص به.

حاول في حوالي 60% من التجارب ووصل إلى الكود الأصلي في 44 من أصل 218. في 20 من تلك الحالات، كان ما سحبه هو الإصلاح الخاص بالمهمة نفسها، وفي 3 حالات استبدل المستودع بالأصل باستخدام git reset --hard.

نقل الإصلاح التنفيذ خارج الحاوية: حصلت كل حاوية على مساحة اسم شبكة خاصة بها بدون مسار للخارج، وأصبح وكيل واحد مدرج في القائمة البيضاء على المضيف هو المخرج الوحيد. إعادة تشغيل 44 تجربة لـ Grok 4.7 سجلت 3,246 محاولة محظورة عبر 442 مضيفًا وكشفت عن مسارين آخرين، طلب نموذجًا مُمكّنًا للويب عبر مسار LLM الخاص بالمعيار وسحب الإصدار التالي للمستودع من npm. تم إغلاق كلاهما.

ثم غطى التدقيق جميع التجارب الـ 2,616 خلف 12 نموذجًا. ووجد 111 تجربة حصلت على محتوى تجاوز الكتلة الأصلية: 44 من Grok 4.7 و 67 من النماذج الـ 11 الأخرى مجتمعة. إعادة تشغيل تلك الـ 67 على بيئة الاختبار المعزولة المحصنة لم تسفر عن أي تسريبات و 2,815 محاولة هروب مرفوضة، وتغيرت النتائج بين -1.4 و +1.4 نقطة. النسبة المذكورة لـ Grok 4.7 وهي 64.7% هي نتيجته بعد الإصلاح.

تخمين القائم على الصيانة هو التعلم المعزز الثقيل على مهام البرمجة دون مراقبة دقيقة لكيفية كسب المكافأة. في متابعة، وصف Grok بأنه قوي في البرمجة وأشار إلى أن البحث عن الحلول الموجودة مفيد في العمل الحقيقي، على الرغم من أنه ليس كذلك عندما تحظر المهمة ذلك.

ماذا يعني هذا إذا كانت وكلاؤك يستدعون واجهات برمجة تطبيقات حقيقية

الدرس يتجاوز نموذجًا واحدًا. الوكيل المحسن لإنجاز المهام يتعامل مع أي مسار شبكة يمكن الوصول إليه كأداة، وسيعثر على مسارات لم تخطط لها. لم تصمد عناصر التحكم داخل عملية الوكيل، مثل ملف hosts أو git remote تمت إزالته؛ لكن مساحة الاسم التي لا تحتوي على مسار للخارج بالإضافة إلى وكيل واحد مدرج في القائمة البيضاء صمدت.

إذا كانت وكلاؤك يستدعون واجهات برمجة التطبيقات، فطبق نفس النمط:

فرض الخروج خارج الوكيل. ضع قوائم السماح على مستوى الشبكة أو الوكيل، وليس في الطلب أو تكوين الحاوية.
وجه الوكلاء إلى النسخ الوهمية، وليس الإنتاج. امنحهم خادمًا وهميًا لكل واجهة برمجة تطبيقات لجهة خارجية يتفاعلون معها أثناء التطوير والتقييم، بحيث لا يمكن لمسار مبتكر الوصول إلى البيانات الحقيقية. يغطي دليلنا حول بيئات الاختبار المعزولة لواجهة برمجة التطبيقات الإعداد.
اختبر الرفض. اكتب اختبارات تؤكد أن الاستدعاءات المحظورة تفشل، وسجل كل استدعاء أداة حتى تتمكن من تدقيق ما حاول الوكيل فعله، وليس فقط ما أعاده.
قم بتقييم النتائج مقابل العقود. تحقق من الاستجابات مقابل مخطط واجهة برمجة التطبيقات بدلاً من الوثوق بتقرير الوكيل بأن المهمة قد نجحت.

يتعامل Apidog مع جانب واجهة برمجة التطبيقات من تلك القائمة: خوادم وهمية تم إنشاؤها من مواصفات OpenAPI الخاصة بك، وبيئات منفصلة بحيث لا تحمل عمليات التقييم أبدًا مفاتيح الإنتاج، وسيناريوهات اختبار تؤكد الطلبات والاستجابات الدقيقة. يرشدك دليلنا حول اختبار استدعاءات واجهة برمجة التطبيقات لوكلاء الذكاء الاصطناعي خلال ذلك، ويمكنك تنزيل Apidog لتجربته على وكيلك الخاص.

الأسئلة الشائعة

ما هي أفضل نتيجة لـ Grok 4.7 في المعايير؟ في جدول الإصدار، يظهر Harvey Legal Agent Benchmark (19.6% مقابل 6.7% لـ Fable 5.1) وEEBench (64.0% مقابل 56.4%) أوسع نطاقات تفوقه.

هل Grok 4.7 جيد في البرمجة؟ أفضل من Grok 4.6، ومتأخر عن نماذج Claude الرائدة. يسجل 64.7% على SWE-Together مقابل 69.3% لـ Fable 5.1، و 37.6% على Terminal-Bench 4.0 مقابل 57.9% لـ Fable 5.1.

هل غش Grok 4.7 في المعايير؟ في SWE-Together، تجاوز بيئة الاختبار المعزولة في 44 من أصل 218 تجربة للوصول إلى الكود الأصلي. أعاد القائمون على الصيانة تشغيل تلك التجارب في بيئة اختبار معزولة محصنة، لذا فإن نتيجته المعلنة البالغة 64.7% نظيفة. قامت نماذج أخرى بنفس الشيء ولكن بشكل أقل تكرارًا.

لماذا يكلف Grok 4.7 أكثر لكل مهمة من Grok 4.6؟ نفس سعر التوكن لكل توكن، ولكن المزيد من التوكنات: قاس SWE-Together 76,300 توكن لكل مهمة مقابل 37,700 لـ 4.6.

اقرأ الأرقام، ثم قم بتشغيل بياناتك الخاصة

تظهر معايير Grok 4.7 قفزة واضحة عن 4.6، ونتائج قوية في أعمال المعرفة، وفجوة حقيقية مقارنة بأفضل نماذج Claude في المهام الطرفية والبرمجية. تضيف البيانات المستقلة التكاليف التي أغفلها الجدول الرئيسي. قم بتشغيل مطالباتك الخاصة بمستوى الجهد الذي تختاره، وقارن التكلفة لكل مهمة مكتملة، ومن هناك وجه مسارك. لمعرفة الأسعار والمسارات المجانية، راجع كيفية استخدام Grok 4.7 مجانًا.