Grok 4.7 API

Tekniske specifikationer for Grok 4.7

Grok 4.7 er xAI's grænsebrydende model til kodning, agentiske opgaver og videnarbejde. Det officielle API-model-id er grok-4.7. xAI dokumenterer et kontekstvindue på 500K tokens, tekst- og billedinput med tekstoutput, konfigurerbar ræsonneringsindsats og support for både Responses API og Chat Completions.

Hvad er Grok 4.7?

Grok 4.7 er en ny xAI-model udgivet den 21. september 2026, positioneret omkring langvarig kodning, agentiske arbejdsgange og professionelt videnarbejde. xAI oplyser, at den bruger en større basismodel end Grok 4.6 og et længere forløb med forstærkningslæring med fokus på opgaver, der kan tage timer at fuldføre. Modellen er også trænet til at forstå Grok Bot-harnesset nativt med vægt på at kontrollere eget arbejde og håndtere længere kontekster.

For udviklere er den vigtige ændring ikke blot en højere benchmark-score. Grok 4.7 kombinerer et kontekstvindue på 500K, styring af ræsonneringsindsats via reasoning_effort, værktøjsunderstøttelse og multimodalt input i en model, der er tiltænkt udvidede agent-sløjfer.

Hovedfunktioner i Grok 4.7

• Kontekstvindue på 500K tokens: Det store kontekstvindue er designet til store repositories, udvidede agentsessioner, omfattende tekniske dokumenter og flertrinsopgaver inden for videnarbejde.
• Konfigurerbar ræsonnering: Udviklere kan vælge low, medium, high eller xhigh for ræsonneringsindsats, hvor high er standard. Dette gør det muligt at tilpasse beregningsressourcer efter opgavens kompleksitet.
• Optimeret til kodning og agentik: xAI positionerer specifikt Grok 4.7 til software engineering, agentiske opgaver og langvarige professionelle arbejdsgange.
• Multimodalt input: API'et accepterer tekst- og billedinput og producerer tekstoutput, hvilket gør modellen anvendelig til skærmbilledanalyse, visuel fejlfinding og dokumentforståelse.
• Native værktøjsunderstøttelse: Den dokumenterede kapabilitet omfatter funktionskald, websøgning, X-søgning og kodekørsel.
• Fokus på pålidelighed over lange horisonter: xAI rapporterer forbedringer i selvverifikation og håndtering af længere kontekst sammenlignet med Grok 4.6, hvilket afspejler fokus på fler-timers opgaver. citeturn0search0

Benchmark-ydelse for Grok 4.7

xAI's lanceringsevaluering rapporterer følgende resultater. Dette er leverandør-rapporterede benchmarkmålinger, som derfor bør tolkes i lyset af den enkelte benchmarks metode og konfiguration fremfor som en universel rangering.

*Det rapporterede Grok 4.7 DeepSWE-resultat bruger høj indsats. xAI's tabel angiver disse målinger som en del af lanceringens sammenligning.

Benchmark-profilen er opgaveafhængig. Grok 4.7 viser betydelige forbedringer over Grok 4.6 på de rapporterede evalueringer inden for kodning, terminal, jura, klinik og elektroteknik, mens samme tabel viser, at andre frontmodeller ligger foran på udvalgte benchmarks. Dette gør benchmark-valg vigtigt, når man evaluerer Grok 4.7 til en bestemt arbejdsbelastning.

Grok 4.7 vs. Grok 4.6 vs. GPT-5.6 Sol

Grok 4.7 og Grok 4.6 deler samme 500K-kontekstklasse og muligheder for ræsonneringsindsats, men xAI rapporterer forbedrede resultater for Grok 4.7 på sin lancerings-benchmarkpakke. Sammenlignet med GPT-5.6 Sol afhænger den praktiske forskel af arbejdsbelastningen: xAI's offentliggjorte tabel viser forskellige relative resultater på kodning, kontorarbejde, terminalarbejde, juridisk arbejde, klinisk ræsonnering og elektroteknik.

Begrænsninger og implementeringshensyn

Grok 4.7 har et stort kontekstvindue, men et større kontekstvindue garanterer ikke bedre resultater for alle langdokument- eller agent-workflows. Langvarige applikationer bør stadig styre konteksten bevidst, især når samtaler akkumulerer værktøjsoutput. xAI anbefaler prompt-cache routing og kontekstkomprimering til lange agent-sløjfer.

Modellen har ifølge den aktuelle dokumentation heller ikke offentlig Batch-API-understøttelse. Udviklere, der bygger batch-orienterede arbejdsbelastninger, skal derfor bruge de understøttede synkrone API-mønstre eller en anden udrulningsvej.

Dens benchmarkresultater er leverandør-rapporterede og varierer efter benchmark-konfiguration og ræsonneringsindsats. De bør betragtes som opgavespecifik evidens frem for et enkelt universelt mål for modelkvalitet.

Repræsentative anvendelsestilfælde

1. Repository-skala kodning: Analysér store kodebaser, implementér ændringer på tværs af flere filer, fejlfind nedbrud og ræsonnér over lange issue-historikker.
2. Agentisk software engineering: Kombinér ræsonnering med funktionskald, kodekørsel og eksterne værktøjer til flertrins-ingeniørarbejdsgange.
3. Analyse af tekniske dokumenter: Behandl lange specifikationer, arkitekturdokumenter, forskningsmateriale eller projektarkiver inden for en kontekst på 500K tokens.
4. Visuel fejlfinding: Analysér skærmbilleder, diagrammer og andre billedinput sammen med tekstbaseret ingeniørkontekst.
5. Professionelt videnarbejde: Udkast, analysér og revidér dokumenter eller strukturerede leverancer, der kræver udvidet flertrinsræsonnering.
6. Forsknings- og informationsworkflows: Brug websøgning og X-søgning, hvor aktuel ekstern information er påkrævet, og applikationens værktøjstilladelser tillader det.

Sådan får du adgang til Grok 4.7 API via CometAPI

CometAPI har i øjeblikket en dedikeret Grok 4.7-modelside med model-id'et grok-4.7 og dokumenterede ruter til /v1/chat/completions og /v1/responses. Den aktuelle CometAPI-side bekræfter, at Grok 4.7 er tilgængelig via deres API-lag.

Trin 1: Hent en CometAPI API-nøgle

Opret eller log ind på en CometAPI-konto, og hent en API-nøgle fra API-konsollen. CometAPI tilbyder et samlet API-lag til at få adgang til flere modeludbydere gennem én konto.

Trin 2: Vælg grok-4.7

Brug grok-4.7 som model-id, og vælg den dokumenterede CometAPI-rute, der passer til applikationen. Den aktuelle modelside angiver både /v1/chat/completions og /v1/responses. citeturn1search2

Trin 3: Send og behandl svaret

Send brugerens prompt via den valgte endpoint, og behandl det returnerede svar i samme applikationsworkflow, som bruges til andre CometAPI-understøttede sprogmodeller. For produktion bør du verificere den live CometAPI-modelkatalog og rutens dokumentation, før du låser implementeringsdetaljer.