Grok 4.7 踩坑实录：$2/$6 低价是真的，但 token 消耗让账单反而更贵-平芜编程栈

昨晚看到 Grok 4.7 发布，我原本的计划是当天就切。

理由看起来都成立：价格还是 $2/$6，和一个月前发布的 Grok 4.6 一样——上一代就是靠砍半定价打出来的，当时我写过接入踩坑，那次的教训是「价格砍半是真的，但 5 个坑让我多花了 3 倍钱」。这次单价没变，官方基准倒是全线上涨：Terminal-Bench 4.0 从 20.3% 到 38.0%，CursorBench 4.0 从 40.4% 到 46.3%，DeepSWE v1.1 从 65.2% 到 71.0%。GitHub Copilot 也在分批推送这个模型。

又便宜、又变强，为什么不用？

第二天，当我把 API 账单和独立评测数据放在一起看，才发现自己被单价骗了。下面 5 个坑，每一个都是我实际踩过的。

坑 1：单价低 ≠ 账单低——token 消耗是 4.6 的 2.25 倍

最直观的理解是：$2/$6 的单价，只有 Fable 5.1 和 GPT-6 Astra（$10/$50）的五分之一，切过去立省六成。

但账单不是按 token 单价算的，是按「完成一个任务花多少钱」算的。

Artificial Analysis 的独立测试数据给出了一个刺眼的数字：Grok 4.7 的 xHigh 推理档，每完成一个 Intelligence Index 任务要消耗约 81,000 个输出 token——

Grok 4.6 High：约 36,000
GPT-6 Astra Max：约 27,000
Grok 4.7 xHigh：约 81,000（比 4.6 多 125%，比 Astra 多 196%）

换算成单任务成本：

Grok 4.7 xHigh：约 $3.74
Grok 4.7 High：约 $2.73
GPT-5.6 Sol Max：约 $1.99——注意，它的挂牌价是 $4/$20，按单价比 Grok 贵一倍

结论反直觉：一个单价低一半的模型，因为 token 消耗多两三倍，单个任务的账单反而更贵。

这个结果和官方宣传是反着的。Musk 在发布前几天的原话是：4.7 比 4.6 「各方面都更强，只是响应稍慢，token 效率更好」。AA 的数据把这句话拆成了两半：慢是真的——输出速度约 188 tokens/s，单个 Intelligence Index 任务平均要跑 7.1 分钟；「token 效率更好」不成立——xHigh 档的消耗是上一代的 2.25 倍。另外 AA 还测了一个对长任务很关键的数字：Grok Build 配 4.7 xHigh 在 AA 的 Coding Agent 基准上平均要花 $8.82、39.2 分钟跑完一个任务，而 4.6 xHigh 是 $3.57、19.5 分钟。分数上去了，单任务的钱包和时间都翻了一倍。

如果你在用 agentic 任务路由，这是切换前必须算的一笔账：

# 单任务成本核算：输入/推理/输出 token 分开计价deftask_cost(in_tokens,out_tokens,reasoning_tokens=0):rate_in,rate_out=2.0,6.0# Grok 4.7 标准版 $/1Mreturn(in_tokens+reasoning_tokens)*rate_in/1e6+out_tokens*rate_out/1e6# 例：一个多轮 agent 任务，输入 110 万 token（多轮工具调用累积上下文），# 推理 53 万，输出 8.1 万（AA 实测 xHigh 档单任务输出量级）print(f"${task_cost(1_100_000,81_000,530_000):.2f}/ task")# → 约 $3.74，和 AA 独立测试的 xHigh 单任务成本对得上

坑 2：基准双口径——38% 还是 26%，信哪个

第二个坑更隐蔽：同一个基准，官方口径和独立口径差了 12 个百分点。

Terminal-Bench 4.0：

来源	Grok 4.7	参照
xAI 官方	38.0%	4.6 是 20.3%
Artificial Analysis（xHigh）	约 26%	GPT-6 Astra xHigh 59.6%、Claude Opus 5 max 约 49%

DeepSWE v1.1 的 71.0% 同样是官方口径。AA Intelligence Index（v4.3.2，十个基准综合）上，Grok 4.7 得 46 分，比 4.6 High 档高 2 分——提升真实，但幅度有限。换个口径更直观：AA 的 Coding Agent Index 里，Grok Build 配 4.7 xHigh 得 56 分，排在 Fable 5.1、GPT-6 Astra 和 Claude Opus 5 之后，列第四。

社区反应也分裂：有人盯着 CursorBench 46.3% 配 $2/$6 的单价，觉得这个性价比「离谱得好」；也有人盯着 Terminal-Bench 的独立分数，直接用了「糟糕」这个词。

我的做法是：引用基准永远带口径，做路由决策时以独立口径为准。官方口径看「比上一代强多少」有用，看「比对手强多少」没有用。

还有一个容易忽略的变量：推理档位。Grok 4.7 支持从 low 到 xHigh 的推理强度设置，API 文档默认是 high，但官方 model card 里的头条数字大多是在 xHigh 档跑出来的——token 消耗最大的那一档。AA 的测试用的也是 xHigh。同一个模型，high 和 xHigh 的账单能差出一截，比较两家模型时必须把档位对齐，不然比的不是模型，是档位。好消息也有：AA 的幻觉率测试里，4.7 xHigh 是 29%，比 4.6 high 的 34% 低 5 个百分点，长文档问答场景的可靠性是实打实提升的。

后面还有3个类似的坑，每一个都让我怀疑人生——【关注后查看完整避坑手册】

坑 3：20 万 prompt token 以上，价格翻倍

Grok 4.7 的定价有个隐藏阶梯：

prompt ≤200K token：$2/$6
prompt >200K token：$4/$12，整体翻倍

短对话、单文件改动这种任务，上下文很容易控制在 20 万以内。但长程 agent 任务最容易越线——工具调用、文件读取、循环重试，上下文一轮轮往上叠，跑到第三个小时，可能已经 30 万 token。此时整个请求按 $4/$12 计价。

算一笔账：一个长任务累积 25 万输入、3 万输出：

# 越线核算：prompt 超过 20 万按高档计价deftier_cost(prompt_tokens,out_tokens):ifprompt_tokens>200_000:return(prompt_tokens*4.0+out_tokens*12.0)/1e6return(prompt_tokens*2.0+out_tokens*6.0)/1e6print(f"${tier_cost(250_000,30_000):.2f}")# → $1.36print(f"${tier_cost(150_000,30_000):.2f}")# → $0.48# 同一个任务，只是上下文越线，成本差 2.8 倍

接入后建议盯一下实际上下文的堆积量，大多数 agent 框架不会主动提示，需要自己从响应的 usage 字段抓。还有一个隐藏变量：缓存。Grok 4.7 的缓存命中价格是 $0.50/M，和标准输入 $2/M 差 4 倍。长任务里如果上下文大量命中缓存，实际成本会比按 $2/M 算低不少——但缓存命中率取决于你的请求模式，不能假设它一定高。usage 字段里的 cached_tokens 要单独记，算成本时缓存部分单独计价，不然会把缓存的功劳算丢、或者把超线惩罚算丢：

importjson,urllib.request req=urllib.request.Request("https://api.x.ai/v1/chat/completions",headers={"Authorization":"Bearer <TOKEN>","Content-Type":"application/json"},data=json.dumps({"model":"grok-4.7",# 以控制台实际模型名为准"messages":[{"role":"user","content":"echo hello"}],}).encode(),)r=json.loads(urllib.request.urlopen(req,timeout=60).read())print(r["usage"])# prompt_tokens / completion_tokens / cached_tokens，判断计价档位的关键

把 usage 落盘存成 CSV，跑几个任务后就能看出自己的上下文增长曲线：是线性堆积还是每轮翻倍，直接决定你会不会在任务中途越过 200K 那条线。

坑 4：Cursor 里 Fast 是默认档，价格是两倍

如果你在 Cursor 里用 Grok 4.7，$2/$6 这个价格离你的账单更远。

Cursor 提供了 Fast 档，价格是标准档的两倍（$4/$12），并且对 Pro 及以上套餐默认使用 Fast。超过 256K 输入（上限 500K）还有更高一档：标准版 $4/$12，Fast $6/$18。

也就是说，Pro 用户在 Cursor 里跑长任务，实际拿到的「单价」可能是 $6/$18——是 API 标准版低档的三倍。切之前要么在 Cursor 的模型设置里手动切回标准档，要么直接按 Fast 档的价格去算账单。

这个坑在 Cursor 里尤其隐蔽，因为 Pro 及以上套餐默认就是 Fast——你不做任何设置，跑的就是两倍价。很多人以为是「用了 Cursor 的 Grok 4.7」，实际上用的是「Cursor 的 Grok 4.7 Fast」。切之前先去模型设置里确认一下当前档位，比什么都重要。

另外注意 Cursor 的长上下文计价和 API 不一样：API 的阶梯线在 200K，Cursor 的在 256K。同一个 22 万 token 的输入，在 API 上已经按高档计费，在 Cursor 上还按标准档。两处价格表要对各自查，不能拿一套阶梯套两个平台。

坑 5：Fast 档没有公开的 TPS 数字，还测不了

最后一个坑是信息坑：Fast 档卖点是「2 倍速度」，但官方没有公布任何 tokens/sec 数字，截至发稿也没有独立的吞吐量实测。更麻烦的是，Fast 档只存在于 Cursor 和 Grok Build 里，公开 API 上调用不到——想复测「到底快多少」，没有 API 层面的入口，只能在 Cursor 里拿同一批任务手动计时对比。

多付一倍的钱，却连「快多少」都无法验证。如果你是延迟敏感的场景（比如终端 Agent 需要快速反馈），不能拿「2 倍速度」这句话做决策，最低成本的做法是先在 API 上量出标准档的基准吞吐，再在 Cursor 里对 Fast 档做人工计时：

importtime,json,urllib.requestdefapi_tps(prompt="写一个 Python 函数合并两个有序列表"):req=urllib.request.Request("https://api.x.ai/v1/chat/completions",headers={"Authorization":"Bearer <TOKEN>","Content-Type":"application/json"},data=json.dumps({"model":"grok-4.7","messages":[{"role":"user","content":prompt}]}).encode(),)t0=time.time()r=json.loads(urllib.request.urlopen(req,timeout=120).read())dt=time.time()-t0 out=r["usage"]["completion_tokens"]returnout/dt,dt# 标准档各跑 5 轮取中位数，作为「1 倍速」的锚点；# 再在 Cursor 里对同一 prompt 用 Fast 档计时，两个数一比，2 倍速是真是假就清楚了print(api_tps())

算清真实账单的 5 步

踩完这些坑，我把切模型的流程固化成了 5 步，对任何模型都适用：

选 10-20 个内部真实任务，长短混合（单文件改动、跨文件重构、终端操作）。不要拿 benchmark 任务替代——benchmark 的 token 分布和你自己的业务分布差很远，AA 测的是它的任务集，你的账单是你的任务集决定的
每个任务在新模型上跑一遍，记录 prompt_tokens、completion_tokens、推理 token、重试次数、人工介入次数。重试次数最容易被漏掉，但它恰恰是 token 消耗的主要放大器
算单次成功完成成本，不是按 token 单价（用坑 1 的公式）。注意是「成功完成」——跑了 3 轮才成功的任务，成本要摊 3 轮
同一批任务在旧模型上跑一遍，对比单任务成本、成功率、耗时。三个数分开看：有的模型便宜但慢，有的快但成功率低，单看任何两个数都会做错决策
设账单告警：单日花费超过切换前基线的 1.3 倍就停下来查路由。切完的头一周是账单波动最大的时候，告警阈值给足缓冲

第 5 步最简做法是个每日对账的小函数：

# 最小账单监控：单日花费对比基线defcheck_daily_spend(spend_usd,baseline_usd,threshold=1.3):ifspend_usd>baseline_usd*threshold:print(f"[ALERT] 单日花费 ${spend_usd:.2f}超过基线 ${baseline_usd:.2f}×{threshold}")returnFalsereturnTrue

避坑总结

Grok 4.7 不是烂模型——相比 4.6 的进步是实打实的（Terminal-Bench +17.7 个百分点、DeepSWE +5.8 个百分点、幻觉率降 5 个百分点），$2/$6 的价格在西方旗舰里也确实便宜。但这次发布的信号值得记住：模型厂商的代际叙事是「更强、更快、更省」，而这次交付的是「更强、更慢、更费」。每一项代际对比的数字都涨了，但账单的对比方向是反的。切换之前，有三件事必须想清楚：

单价低 ≠ 账单低：token 消耗比 4.6 多 125%，xHigh 单任务成本 $3.74，高于更贵的 GPT-5.6 Sol Max
基准有双口径：官方 38% 对独立 26%，选型以独立口径为准
两个隐形加价：200K 以上价格翻倍、Cursor Fast 默认两倍

速查参考：

场景	建议
短任务、低推理档、成本敏感	用 4.7 High，性价比真实（约为 Fable 5.1 单任务成本的 1/3）
长程 agent 任务	先做 5 步成本核算再决定，别信单价
想用 xHigh 啃难任务	预算按 2 倍留，并用独立口径校准预期
在 Cursor 里想要 $2/$6 的价格	手动关掉 Fast，并留意 256K 档位

回到开头那个问题：又便宜、又变强，为什么不用？答案是「可以用，但要按它的真实账单用，不是按它的单价用」。Grok 4.7 适合的场景是明确的——短任务、低推理档、对延迟不敏感的成本敏感型调用；不适合的场景也明确——长程 agent 任务和高推理档位的深度任务，这两块正是它 token 消耗涨得最凶的区域。

下次再遇到「低价高性能」的新模型，别急着切。先算单任务成本——账单永远比单价诚实。