Grok 4.7 の技術仕様
| 仕様 | Grok 4.7 |
|---|---|
| 提供元 | xAI / SpaceXAI |
| モデル ID | grok-4.7 |
| リリース日 | 2026年9月21日 |
| 主な用途 | コーディング、エージェントタスク、ナレッジワーク |
| 入力モダリティ | テキスト、画像 |
| 出力モダリティ | テキスト |
| コンテキストウィンドウ | 500,000 トークン |
| 出力制限 | xAI によるテキスト出力上限の記載なし |
| 推論エフォート | low、medium、high、xhigh（デフォルトは high） |
| API | Responses API、Chat Completions |
| ツール | 関数呼び出し、ウェブ検索、X 検索、コード実行 |
| 知識カットオフ | 2026年5月 |
| バッチ API | 未対応 |
Grok 4.7 は、コーディング、エージェントタスク、ナレッジワーク向けの xAI のフロンティアモデルです。公式の API モデル ID は grok-4.7 です。xAI のドキュメントでは、500K トークンのコンテキストウィンドウ、テキストと画像の入力、テキスト出力、構成可能な推論エフォート、Responses API と Chat Completions の両対応が記載されています。
Grok 4.7 とは？
Grok 4.7 は 2026年9月21日にリリースされた xAI の新モデルで、長時間にわたるコーディング、エージェント型ワークフロー、プロフェッショナルなナレッジワークに焦点を当てています。xAI によれば、Grok 4.7 は Grok 4.6 よりも大きなベースモデルを使用し、数時間かかるタスクに焦点を当てた強化学習をより長く実施しています。また、Grok Bot ハーネスをネイティブに理解するよう訓練されており、自身の作業チェックと長いコンテキストの管理を重視しています。
開発者にとって重要なのは、単なるベンチマークスコアの上昇ではありません。Grok 4.7 は 500K のコンテキストウィンドウ、reasoning_effort による推論制御、ツールサポート、マルチモーダル入力を組み合わせ、拡張的なエージェントループを想定したモデルです。
Grok 4.7 の主な特徴
- 500K トークンのコンテキスト：大規模リポジトリ、拡張エージェントセッション、長大な技術文書、マルチステップ型のナレッジワークに対応。
- 構成可能な推論：
low、medium、high、xhighから選択でき、デフォルトはhigh。タスクの複雑さに応じて計算資源を調整可能。 - コーディングとエージェント最適化：ソフトウェアエンジニアリング、エージェントタスク、長時間のプロフェッショナルワークフローに特化。
- マルチモーダル入力：API はテキストと画像を受け付け、テキストを出力。スクリーンショット解析、ビジュアルデバッグ、文書理解系ワークフローに適用可能。
- ネイティブなツールサポート：機能呼び出し、ウェブ検索、X 検索、コード実行に対応。
- 長期タスクの信頼性に注力：Grok 4.6 と比べて自己検証と長文脈管理が改善されたと xAI は報告しています。citeturn0search0
Grok 4.7 のベンチマーク性能
xAI のローンチ評価は以下の結果を報告しています。これらは提供元によるベンチマーク計測であり、各ベンチマークの手法や設定に依存するため、普遍的なランキングとしてではなく文脈に応じて解釈してください。
| ベンチマーク | Grok 4.7 | Grok 4.6 | GPT-5.6 Sol | Fable 5.1 |
|---|---|---|---|---|
| CursorBench 4.0 | 46.3% | 40.4% | 41.7% | 51.8% |
| DeepSWE v1.1 | 71.0%* | 65.2% | 72.7% | 70.0% |
| AA Briefcase v1.1 | 1,657 | 1,546 | 1,487 | 1,678 |
| Terminal-Bench 4.0 | 38.0% | 20.3% | 37.3% | 57.9% |
| Harvey Legal Agent Benchmark | 19.6% | 15.8% | 2.5% | 6.7% |
| HealthBench Professional | 56.7% | 48.5% | 60.5% | 62.1% |
| EEBench | 64.0% | 53.0% | 39.4% | 56.4% |
*報告された Grok 4.7 の DeepSWE 結果は high エフォートを使用。これらの数値はローンチ比較の一部として xAI の表で提示されています。
ベンチマークのプロファイルはタスク依存です。Grok 4.7 は、報告対象のコーディング、ターミナル、法務、臨床、電気工学の評価で Grok 4.6 に対して大幅な向上を示す一方、同じ表では一部ベンチマークで他のフロンティアモデルが上回る例も示されています。したがって、特定のワークロードにおける評価ではベンチマークの選定が重要です。
Grok 4.7 vs Grok 4.6 vs GPT-5.6 Sol
| 領域 | Grok 4.7 | Grok 4.6 | GPT-5.6 Sol |
|---|---|---|---|
| コンテキスト | 500K | 500K | 提供元の仕様を参照 |
| コアの位置づけ | コーディング、エージェント、ナレッジワーク | コーディング、エージェント、ナレッジワーク | 一般的なフロンティア推論 |
| 推論コントロール | Low / medium / high / xhigh | Low / medium / high / xhigh | 提供元に依存 |
| 入力 | テキスト + 画像 | テキスト + 画像 | 提供元に依存 |
| ツールサポート | 関数呼び出し、ウェブ検索、X 検索、コード実行 | 類似のツール指向ワークフロー | 提供元に依存 |
| xAI 掲載のコーディング系ベンチマーク | 46.3% CursorBench 4.0 | 40.4% | 41.7% |
Grok 4.7 と Grok 4.6 は、同じ 500K コンテキストクラスと推論エフォートのオプションを共有しますが、xAI の公開したローンチスイートでは Grok 4.7 の方が改善を示しています。GPT-5.6 Sol との比較では、実用上の差異はワークロードに依存します。xAI が掲載した表は、コーディング、オフィスワーク、ターミナル作業、法務、臨床推論、電気工学において相対性能が異なることを示しています。
制約と実装上の考慮事項
Grok 4.7 は大きなコンテキストウィンドウを備えていますが、長いドキュメントやエージェントワークフローで常に良い結果を保証するわけではありません。長時間稼働のアプリケーションでは、とりわけツール出力が蓄積する場合に、コンテキストを計画的に管理する必要があります。xAI は、長いエージェントループ向けにプロンプトキャッシュのルーティングとコンテキスト圧縮を推奨しています。
また、現行のモデルドキュメントによれば公開のバッチ API には対応していません。バッチ指向のワークロードを構築する開発者は、サポートされる同期 API パターンを使用するか、別のデプロイルートを検討する必要があります。
ベンチマーク結果は提供元の報告であり、ベンチマーク設定や推論エフォートにより変動します。モデル品質の普遍的な指標ではなく、タスク固有のエビデンスとして扱うべきです。
代表的なユースケース
- リポジトリ規模のコーディング：大規模コードベースの解析、複数ファイルにまたがる変更、失敗のデバッグ、長期イシュー履歴に基づく推論。
- エージェント型ソフトウェアエンジニアリング：推論と機能呼び出し、コード実行、外部ツールを組み合わせたマルチステップなエンジニアリングワークフロー。
- 技術文書分析：500K トークンのコンテキスト内で、長大な仕様書、アーキテクチャ文書、研究資料、プロジェクト記録を処理。
- ビジュアルデバッグ：スクリーンショット、図表などの画像入力をテキストのエンジニアリング文脈と併せて解析。
- プロフェッショナルなナレッジワーク：拡張的な多段推論を要する文書や構造化成果物の作成、分析、改訂。
- 調査・情報ワークフロー：最新の外部情報が必要な場合、アプリケーションのツール権限に応じてウェブ検索や X 検索を使用。
CometAPI 経由で Grok 4.7 API にアクセスする方法
CometAPI には現在、モデル ID grok-4.7 を掲げた専用モデルページがあり、/v1/chat/completions と /v1/responses のルートがドキュメント化されています。現行の CometAPI ページは、Grok 4.7 がその API レイヤー経由で利用可能であることを確認しています。
ステップ 1: CometAPI の API キーを取得
CometAPI アカウントを作成またはサインインし、API コンソールから API キーを取得します。CometAPI は、1 つのアカウントで複数のモデルプロバイダにアクセスできる統合 API レイヤーを提供します。
ステップ 2: grok-4.7 を選択
モデル ID に grok-4.7 を使用し、アプリケーションに適した CometAPI のルートを選択します。現在のモデルページには /v1/chat/completions と /v1/responses の両方が掲載されています。 citeturn1search2
ステップ 3: レスポンスの送信と処理
選択したエンドポイント経由でユーザーのプロンプトを送信し、他の CometAPI 対応言語モデルと同様のアプリケーションワークフローで返却されたレスポンスを処理します。本番環境では、実装を固定化する前に CometAPI のライブなモデルカタログとルートドキュメントを確認してください。