Grok 4.7とGrok 4.6は同じ価格で提供される。能力はどこが伸び、どこが横ばいなのか。Terminal-Bench、幻覚率、精度の数値を並べ、同じ料金で何が変わったのかを確かめる。優劣ではなく、変化の大きさを見ていく。
先に結論を並べる
Grok 4.7とGrok 4.6の違いは、価格ではなく性能の伸び方に出ている。料金は両者とも100万トークンあたり入力2ドル、出力6ドルで動かない。変わったのは、数時間かかる作業を最後まで保たせる力だ。短い質問への回答はほぼ同じで、伸びは長時間・複数ステップのタスクに集中する。
以下、公表されている数値で、どこが伸びてどこが動かなかったのかを確認する。
価格は同じ、性能はどこが伸びたか
料金から先に押さえる。Grok 4.7もGrok 4.6も、入力2ドル、出力6ドルで据え置きだ。出力速度を倍にする高速版は、単価も倍になる。つまり今回の更新は、同じ料金で能力だけを引き上げた形になる。
Grok 4.7で伸びた点
- Terminal-Benchのスコアがおよそ倍
- 幻覚率が34%→29%（高努力時）
- Omniscience Indexが30→32
Grok 4.6から横ばいの点
- 100万トークンあたり入力2ドル／出力6ドル
- Omniscienceの精度は48%→47%
- 短いタスクでの実力
性能の伸びは、長時間のエージェント作業に集中する。xAIによれば、コマンドライン作業を測るTerminal-Benchでは、スコアがGrok 4.6からおよそ倍になった。1世代での倍増は大きな跳躍だ。一方、1回の返信で終わる短いタスクでは、伸びはわずかにとどまる。
幻覚率と精度はどう動いたか
独立系の試験機関Artificial Analysisは、高努力時のGrok 4.7の幻覚率が自社のOmniscienceベンチマークで29%だと報告する。Grok 4.6の高努力時は34%だった。同じ試験での精度は48%から47%へほとんど動かず、Omniscience Indexは30から32に上がった。
ここが今回の更新で最も読み応えのある部分だ。能力の伸びと、回答の正確さは別々に動く。でっち上げが減り、精度はほぼ横ばいという組み合わせは、大幅な精度向上より実務で扱いやすい。自動化のパイプラインでは、捏造された事実1つがワークフロー全体を汚染しかねないからだ。
この差が生まれる理由
伸びが長時間タスクに偏るのは、学習の設計から説明できる。xAIはGrok 4.6より大きなベースモデルを採用し、数時間級の難しいタスクで長い強化学習を回したと説明する。強化学習とは、初期の学習の後にモデルを調整する工程で、成功か失敗かの課題を試行錯誤させて身につけさせる。
短い質問はすでに解決済みだった。未解決だったのは、1時間続く仕事の中でモデルが一貫性を保てるかどうかだ。途中には何十もの判断があり、どの段階でも道を外れる余地がある。長い強化学習は、その失敗の型を狙う。だから伸びがTerminal-Benchのような長時間の試験に集中し、短いタスクには表れにくい。
モデルが崩れる場所が変われば、有用な指標も変わる。短い質問の正答率はGrok 4.6の時点で頭打ちに近く、差分を測るには長時間タスクの試験が必要だった。数字が動いた場所と、学習の狙いが一致している。
スペックの主張はどこまで確定か
規模の話には注意が要る。7月下旬以降、イーロン・マスクはGrok 4.7のパラメータ数が約2.1兆で、Grok 4.6の1.5兆から約40%増えると述べてきた。この数字はxAIの公式発表記事にはなく、同社は確認していない。帰属付きの主張として扱い、確定したスペックとしては扱わないほうがいい。
同様に、第三者の報道ではコンテキストウィンドウは50万トークン、知識のカットオフは2026年5月とされるが、どちらもxAI自身の発表記事では確認されていない。ベースモデルが大きくなったこと自体はxAIも説明しているが、具体的な規模の数字は未確認だ。
時間の話も残る。マスクはGrok 4.7の投入時期を7月下旬から9月にかけて少なくとも5回先延ばしにした。この事実は、予定より完成に時間がかかったことを示す。難しいタスクでの長い強化学習は、スケジュールがずれる理由の1つになる。
どちらを選ぶべきか
判断は用途で決まる。手早い質問にGrokを使っているなら、Grok 4.7とGrok 4.6の差はほとんど感じられない。短いタスクの精度はほぼ同じで、価格も動いていない。乗り換える理由は乏しい。
エージェント、コーディング支援、あるいは長いセッションで複数ステップを連ねるものを動かしているなら、これが効く更新だ。Terminal-Benchのおよそ倍増と幻覚率の低下は、いずれも途中で崩れがちだった作業を指している。価格が同じなら、わざわざ旧版に留まる理由も薄い。
判断を急がせる材料は、まだ整っていない。ここまでの数値は、xAI自身の試験と独立系1社の試験に分かれる。どちらも他の試験機関による追試はない。今後数週間で第三者による検証が出れば、Terminal-Benchの倍増が実際の負荷でも再現するのか、幻覚率の低下が他の試験でも続くのかが見えてくる。自分の処理で両者を並行して試すのが、最も確実な選び方だ。
