Grok 4.7 API

Technische Spezifikationen von Grok 4.7

Grok 4.7 ist xAIs Spitzenmodell für Programmierung, agentische Aufgaben und Wissensarbeit. Die offizielle API-Modell-ID ist grok-4.7. xAI dokumentiert ein Kontextfenster mit 500K Token, Text- und Bildeingaben mit Textausgabe, konfigurierbaren Reasoning-Aufwand sowie Unterstützung für Responses API und Chat Completions.

Was ist Grok 4.7?

Grok 4.7 ist ein neues xAI-Modell, veröffentlicht am 21. September 2026, ausgerichtet auf langlaufende Programmierung, agentische Workflows und professionelle Wissensarbeit. xAI gibt an, dass es auf einem größeren Basismodell als Grok 4.6 beruht und einen längeren Reinforcement-Learning-Durchlauf erhielt, fokussiert auf Aufgaben, deren Ausführung Stunden dauern kann. Das Modell versteht den Grok Bot Harness nativ, mit Schwerpunkt auf der Überprüfung der eigenen Arbeit und dem Umgang mit längeren Kontexten.

Für Entwickler ist die wichtige Änderung nicht einfach eine höhere Benchmark-Punktzahl. Grok 4.7 kombiniert ein 500K-Kontextfenster, Reasoning-Steuerung durch reasoning_effort, Tool-Unterstützung und multimodale Eingaben in einem Modell, das für verlängerte Agenten-Loops gedacht ist.

Hauptfunktionen von Grok 4.7

• 500K-Token-Kontext: Das große Kontextfenster ist ausgelegt für große Repositories, verlängerte Agentensitzungen, umfangreiche technische Dokumente und mehrstufige Wissensarbeitsaufgaben.
• Konfigurierbares Reasoning: Entwickler können den Reasoning-Aufwand auf low, medium, high oder xhigh setzen, wobei high die Standardeinstellung ist. So lässt sich die Rechenzuteilung an die Aufgabenkomplexität anpassen.
• Optimierung für Programmierung und Agenten: xAI positioniert Grok 4.7 ausdrücklich für Software Engineering, agentische Aufgaben und langlaufende professionelle Workflows.
• Multimodale Eingabe: Die API akzeptiert Text- und Bildeingaben und erzeugt Textausgabe, wodurch das Modell für Screenshot-Analysen, visuelles Debugging und Dokumentenverständnis-Workflows geeignet ist.
• Native Tool-Unterstützung: Die dokumentierten Fähigkeiten umfassen Funktionsaufrufe, Websuche, X-Suche und Codeausführung.
• Fokus auf Zuverlässigkeit über lange Zeithorizonte: xAI berichtet über Verbesserungen bei Selbstverifikation und im Umgang mit längeren Kontexten gegenüber Grok 4.6, entsprechend dem Schwerpunkt auf mehrstündigen Aufgaben. citeturn0search0

Benchmark-Leistung von Grok 4.7

Die Startevaluierung von xAI meldet die folgenden Ergebnisse. Dies sind vom Anbieter gemeldete Benchmark-Messungen; sie sollten im Kontext der Methodik und Konfiguration jedes Benchmarks interpretiert werden und nicht als universelles Ranking.

*Das gemeldete Grok 4.7 DeepSWE-Ergebnis verwendet die Einstellung high. xAIs Tabelle führt diese Messwerte als Teil des Launch-Vergleichs auf.

Das Benchmark-Profil ist aufgabenabhängig. Grok 4.7 zeigt laut den Angaben deutliche Zugewinne gegenüber Grok 4.6 bei den berichteten Evaluierungen für Programmierung, Terminal, Recht, Klinik und Elektrotechnik, während in derselben Tabelle andere Spitzenmodelle bei ausgewählten Benchmarks vorne liegen. Daher ist die Wahl der Benchmarks bei der Bewertung von Grok 4.7 für einen bestimmten Workload wichtig.

Grok 4.7 vs Grok 4.6 vs GPT-5.6 Sol

Grok 4.7 und Grok 4.6 teilen sich dieselbe 500K-Kontextklasse und die Reasoning-Aufwandsoptionen, doch xAI berichtet für Grok 4.7 verbesserte Ergebnisse in seiner Launch-Benchmark-Suite. Im Vergleich zu GPT-5.6 Sol hängt der praktische Unterschied vom Workload ab: Die veröffentlichte Tabelle von xAI zeigt unterschiedliche relative Leistungen über Programmierung, Office-Arbeit, Terminal-Arbeit, Rechtsarbeit, klinisches Reasoning und Elektrotechnik.

Einschränkungen und Implementierungshinweise

Grok 4.7 besitzt ein großes Kontextfenster, aber ein größerer Kontext garantiert nicht in jedem Langdokument- oder Agenten-Workflow bessere Ergebnisse. Langlaufende Anwendungen sollten den Kontext weiterhin gezielt steuern, insbesondere wenn sich Tool-Ausgaben ansammeln. xAI empfiehlt Prompt-Cache-Routing und Kontextverdichtung für lange Agenten-Loops.

Laut aktueller Modelldokumentation gibt es keine öffentliche Batch-API-Unterstützung. Entwickler, die batchorientierte Workloads bauen, müssen daher die unterstützten synchronen API-Muster oder einen anderen Bereitstellungsweg nutzen.

Die Benchmark-Ergebnisse sind vom Anbieter gemeldet und variieren je nach Benchmark-Konfiguration und Reasoning-Aufwand. Sie sollten als aufgabenspezifische Nachweise betrachtet werden, nicht als universelles Qualitätsmaß.

Repräsentative Anwendungsfälle

1. Repository-Maßstab-Programmierung: Große Codebasen analysieren, Änderungen über mehrere Dateien implementieren, Fehler beheben und über lange Issue-Historien schlussfolgern.
2. Agentisches Software Engineering: Reasoning mit Funktionsaufrufen, Codeausführung und externen Tools für mehrstufige Engineering-Workflows kombinieren.
3. Analyse technischer Dokumente: Lange Spezifikationen, Architekturdokumente, Forschungsunterlagen oder Projektaufzeichnungen innerhalb eines 500K-Token-Kontexts verarbeiten.
4. Visuelles Debugging: Screenshots, Diagramme und andere Bildinputs zusammen mit textlichem Engineering-Kontext analysieren.
5. Professionelle Wissensarbeit: Dokumente oder strukturierte Deliverables entwerfen, analysieren und überarbeiten, die erweitertes mehrstufiges Reasoning erfordern.
6. Recherche- und Informations-Workflows: Websuche und X-Suche einsetzen, wenn aktuelle externe Informationen benötigt werden und die Tool-Berechtigungen der Anwendung dies zulassen.

Zugriff auf die Grok 4.7 API über CometAPI

CometAPI verfügt derzeit über eine dedizierte Grok 4.7-Modellseite mit der Modell-ID grok-4.7 sowie dokumentierten Routen für /v1/chat/completions und /v1/responses. Die aktuelle CometAPI-Seite bestätigt, dass Grok 4.7 über die API-Schicht verfügbar ist.

Schritt 1: CometAPI-API-Schlüssel abrufen

Erstellen Sie ein CometAPI-Konto oder melden Sie sich an und holen Sie einen API-Schlüssel aus der API-Konsole. CometAPI bietet eine vereinheitlichte API-Schicht, um mit einem Konto auf mehrere Modellanbieter zuzugreifen.

Schritt 2: grok-4.7 auswählen

Verwenden Sie grok-4.7 als Modell-ID und wählen Sie die dokumentierte CometAPI-Route, die zur Anwendung passt. Die aktuelle Modellseite listet sowohl /v1/chat/completions als auch /v1/responses auf. citeturn1search2

Schritt 3: Antwort senden und verarbeiten

Senden Sie den Prompt des Nutzers über den gewählten Endpunkt und verarbeiten Sie die zurückgegebene Antwort im selben Anwendungs-Workflow, der auch für andere von CometAPI unterstützte Sprachmodelle verwendet wird. Für Produktionsbereitstellungen sollten Sie vor der finalen Festlegung von Implementierungsdetails den Live-Modelkatalog und die Routendokumentation von CometAPI prüfen.