Grok的性价比，国产模型不答应

作者｜沙丘智库研究团队

来源｜沙丘社区（www.shaqiu.cn）

Grok 4.7本次模型发布的重点之一是“更能干，也更划算”，但和国产开源模型相比“既不能干，也不划算”。

9月21日，xAI官方发布了这款面向编程与知识工作的新模型，强调更长时间的复杂任务训练、更主动的自我检查，同时保持与Grok 4.6相同的价格和速度。

放进SQBench的真实任务集，它的综合能力和性价比都面临考验。本轮Grok 4.7采用Xhigh配置，实战能力得分50.6，低于Kimi K3、GLM-5.3、MiMo-V2.6-Pro和GLM-5.3-FlashX等一众国产模型。

图1：SQBench官网截图。

更尴尬的是，排在它前面的几款国产模型，成本也更低。主打性价比，身边却站着一批更便宜、总分更高的对手。

01

Grok的性价比，国产模型不答应

官方对Grok 4.7的描述很直接：

“Twice as fast, at half the price of comparable models.”

也就是：相较同类模型，速度两倍，价格一半。发布页还用CursorBench 4.0的成绩与单任务费用曲线，强调其在长时间编程任务中的性价比。

图2：Grok官方发布截图。横轴为平均单任务费用，从左向右降低；纵轴为CursorBench 4.0成绩。

Grok的便宜并非凭空而来。官方标准输入、输出报价分别为每百万Token 2美元和6美元，确实低于官方发布表中Sol的4美元和20美元，以及Fable 5.1的10美元和50美元。不过，“两倍速度、半价”的参照是同类竞品，不能理解为相对Grok 4.6再次提速、降价。

问题在于，这张官方性价比图里的对手，主要是Claude和GPT系列。而中国用户的选型清单里，还有DeepSeek、智谱、小米和月之暗面。把这些选择加进来，价格竞争的标准就变了。

先看SQBench同一套任务的结果：

费用按各次评测的渠道、用量及价格快照核算，属于历史评测账单，并非用今天的统一价表重算。模型配置不同，结果用于比较各自已测配置下的能力与费用。

低预算的一端，国产模型已经把Grok的价格优势压了下去。MiMo-V2.6-Pro得分比它高4.2分，费用却只有它的约8.8%；GLM-5.3-FlashX高出4.0分，费用约为它的11.2%。花Grok约十分之一的钱，得到更高的综合成绩，这个差距已经很难用“我的Token单价不贵”解释过去。

DeepSeek-V4-Pro-0813也给出了类似选择：分数略高，整轮费用不到Grok的五分之一。即使继续压缩预算，GLM-5.3-Flash仍以2.27美元取得49.7分，距离Grok只有约0.9分。它没有在得分上超过Grok，却把取得接近表现所需的费用又拉低了一大截。

愿意多花一些预算，Grok同样很难突出。Kimi K3的评测费用比它低约17%，得分却高出9.9分；GLM-5.3则以约六成费用，取得56.1分。低价区间有MiMo、FlashX，较高预算区间有Kimi和GLM，Grok面临的是多个价格档位上的竞争。

图3：SQBench官网截图。横轴为整轮评测费用，采用对数刻度，从左向右增加；纵轴为实战能力。

实际用量同样会影响账单。本轮Grok累计消耗约4177万Token，其中输入处理费用占总费用的62.3%。不同模型的输入、输出、缓存用量及对应价格，共同决定了最终账单。低单价能够降低每次调用的门槛，却不能单独保证做完一组工作更省钱。

02

代码逻辑登顶，综合实战却掉了队

Grok 4.7最突出的单项，是动态代码逻辑：25项任务全部通过。当前榜单中，Claude Opus 5.5、GPT-6 Astra、Claude Fable 5.1、Qwen3.8-Max和Grok 4.7共五个配置达到100%，Grok确实站在这一单项的第一梯队。

但这项成绩旁边，另外三个基础维度明显低了一截：指令遵循通过13/25，长文本推理11/25，鲁棒性与边界9/25，通过率分别为52%、44%和36%。四项合起来，原子能力层通过率为58%。

图4：SQBench官网截图。

真正拉开差距的，是从代码逻辑走向软件工程、再走向行业业务的过程。

在60项复合技能任务中，Grok通过35项，通过率58.3%。其中数据分析、深度研究、办公协作都是9/15，软件工程则为8/15，即53.3%。作为对照，GLM-5.3-FlashX的软件工程通过10/15，Kimi K3和Opus 5.5均为12/15，Astra为13/15。

能准确推导代码行为，与能交付一个工程任务，是两种要求。工程任务还需要模型定位问题、修改文件、验证结果，并交齐要求的文档和产物。Grok在这些环节上的表现，没有延续代码逻辑单项的领先。

一个推荐系统排障任务就很典型。少量超时集中发生在高活跃用户身上，导致点击率损失被放大。Grok找到了原因，并通过并行分片获取特征修复瓶颈，负载测试的回退率降到了0。但任务明确要求的审计报告没有生成，问题分析与修复依据没有按要求留下来；评分记录因此判定交付不完整，并触发可追溯性扣分，最终表现分为0.34。

难点解决了，任务却没有完整交付。这样的遗漏会把后续整理、核验和沟通工作重新留给人，也说明单项解题能力不能直接等同于工作完成能力。

行业任务的落差更大。Grok在60项行业业务任务中仅通过12项，通过率20%；金融、医疗各通过2/15，工业、政务各通过4/15。与之相比，Opus 5.5通过27项，Astra通过23项。面对多项规则、业务材料和交付要求，Grok距离领先模型仍有明显差距。

不过，也不必把这份成绩夸大成“其他能力全都不行”。Grok的办公协作通过率为60%，高于MiMo的53.3%和Kimi K3的46.7%；行业任务按完整达标统计通过率，未通过的任务也可能已经完成部分要求。更准确的评价是：它有突出强项，也有能完成的工作，但多项能力没有形成足够强的综合支撑。配上50.80美元的评测账单，这种不均衡就更难忽略。

回看SQBench最新评测数据，Claude Opus 5.5和GPT-6 Astra分别达到65.6分和64.3分。两者同样拥有满分的代码逻辑，并在软件工程和行业任务上交出更高的通过率，领先有更广的任务表现作为支撑。国产模型也在逼近：Kimi K3已到60.5分，距离两者分别为5.1分和3.8分；MiMo、FlashX则以更低费用提供了接近55分的表现。最高能力与低成本可用性，都在抬高竞争门槛。

这让Grok 4.7的位置变得尴尬：向上争夺复杂工作，要补齐综合交付；向下争夺预算敏感的用户，又要面对国产模型更低的实际账单。代码逻辑登顶值得肯定，但用户最终需要为一整项工作的结果付费。当更便宜的模型已经交出更高的综合成绩，“比昂贵的对手便宜”，就很难再成为足够有力的选择理由。

更多AI研究内容可前往【沙丘智库小程序】搜索查阅