Grok 4.7发布与基准性能对比
Grok 4.7的发布备受期待，尽管原定发布时间有所推迟。在性能基准测试中，该模型展示了显著的能力提升。Grok 4.7使用了更大的基础模型，参数量从Grokc 4.6的1.5万亿增加至2.1万亿，但价格保持不变。在X High设置下运行以获取最大性能时，其表现接近Fable 5.1在Medium设置下的水平。值得注意的是，基准图表中将Grok 4.7与Opus 5进行了对比，后者可能即将退役。此外，EE Bench评分显示Grok在模拟设计任务中排名第二，仅次于Astro。
"X high is pretty much within striking distance of I would say Fable 5.1 on medium which is a pretty performant and also expensive model."（X High设置下的表现几乎能与Fable 5.1的Medium模式相媲美，而后者是一款性能强劲且昂贵的模型。）
极具竞争力的定价策略
Grok 4.7的定价策略是其核心优势之一。输入价格为每百万token $2，输出为$6。与图表中对比的其他模型相比，这一价格极具竞争力。其他模型的定价通常高出3到9倍。尽管基础模型更大，但成本并未增加。这种高性价比对于用户而言是巨大的优势，但对于供应商来说可能意味着利润空间的压缩。EE Bench排行榜显示Astro虽然排名首位且便宜快速，但Grok紧随其后，显示出其在特定任务上的强劲实力。
"Although it is larger, the price is the same. So, $2 per million in and $6 per million out... models it's being shown against here are at minimum basically like three to eight or nine times that price."（虽然模型更大，但价格相同。输入每百万token 2美元，输出6美元……相比之下，其他模型的价格至少是其3到9倍。）
技术规格与浏览器OS测试案例
Grok 4.7的技术规格包括50万token的上下文窗口和多模态能力（支持图像输入）。测试中使用了Fast模式，该模式下速度加倍但价格翻倍。浏览器OS v2.7的测试在32分27秒内完成。测试结果展示了模型对图形界面的理解与控制能力。例如，在测试背景效果时，Grok能够识别并选择"Calm, gale"等选项。在车辆交互测试中，模型成功识别了进入车辆的指令（F键），并观察到转向、倾斜效果和声音反馈。当车辆受损时，模型还注意到了颜色变化。
"In 32 minutes and 27 seconds, our browser OS has been complete... I could have used a walking animation, but so far it's not bad."（在32分27秒内，我们的浏览器OS测试完成……虽然可以用行走动画，但目前为止表现不错。）
系统界面与内置游戏初测
评测者首先检查了Grok生成的操作系统环境，包括邮件应用、文件浏览器和终端等基础组件。虽然整体功能可用且错误提示界面简洁，但美学设计略显单调。在内置游戏方面，《Rift Wing》作为一款太空小行星射击游戏获得了较高评价，其非传统的2D视角和飞行战斗模拟效果令人印象深刻。评测者指出该游戏包含对手且操作流畅，是所见过的最佳内置射击游戏之一。相比之下，《地铁FPS》表现中规中矩，而邮件应用虽然功能完整（支持收发），但棕色色调的UI设计并未获得青睐。整体而言，系统基础组件表现合格，游戏部分超出预期。
C++滑板游戏的初始评估与批评
随后进行的自包含C++滑板游戏测试（设定在纽约街区，禁止使用Raylib）暴露了模型生成的局限性。经过约58分钟的编译运行后，评测者对初始版本给出了4/10的低分评价。尽管游戏包含了预期的消防栓喷水、行人网格碰撞器以及滑板轮子的基础动画，但整体缺乏细节和趣味性。评测者直言：“It's there. It's competent and it's highly boring and uninspired.”（它在那儿。它是合格的，但非常无聊且缺乏灵感）。游戏仅由低多边形（low poly）的简单方块组成，没有 niche 细节或有趣的互动元素，如无法与出租车交互或撞击行人无反馈。评测者认为这虽然符合半年前的技术水平，但远未达到应有的精致度。
迭代优化后的视觉增强反馈
为了挖掘模型潜力，评测者要求对滑板游戏进行“彻底抛光”，将其升级为一款令人惊叹的完整游戏。仅耗时5分钟，模型便完成了第二次迭代。新版本在视觉和动态效果上有了显著提升：增加了相机震动、速度线特效以及更暴力的碰撞反馈。环境细节方面，新增了行走并摇尾巴的狗、锥形路障以及受惊飞走的鸽子。虽然图形基础依然简单，但动态特效的加入极大地提升了游戏的临场感。评测者承认这是“快速改进”，结果依然合格（competent），虽未完全达到视觉冲击力极强的理想状态，但证明了通过明确反馈可以显著提升生成质量。
机器人臂物理模拟测试预告
在滑板游戏评测结束后，视频片段最后引入了一个新的测试项目：机器人臂物理模拟。该测试要求模型在固定相机视角下，控制机械臂将场景中的Hot Wheels小车从一侧移动到另一侧。这一测试旨在评估模型在复杂物理交互和精确运动控制方面的能力，为后续的性能对比提供数据支持。
视觉深度感知与机器人控制能力的局限测试
在针对 Grok 4.7 的初步评估中，视频首先进行了一项基于单摄像头视角的深度感知测试。该模型在“Extra High”模式下启动，初期表现令人印象深刻：它迅速做出反应并成功触碰目标车辆。然而，随着测试推进至约 20 分钟时，模型出现了明显的认知停滞。
"I'm sorry, but I can't do this." And it actually stopped.
这一自我终止行为被评测者视为一种值得称赞的“自知之明”。尽管在后续鼓励下模型继续尝试，但它始终未能正确判断深度。评测者指出，单摄像头视角下的深度感知极具挑战性，类似于蒙住一只眼睛进行视觉判断。虽然模型在机械臂的速度和控制精度上表现良好，但受限于视觉管道的能力，其更适合用于较简单的机器人控制任务。若视觉系统能跟上模型的处理速度，Grok 4.7 在此类场景中可能具备实用价值。
Chrono City：跨时代城市演变的可视化评估
随后，评测进入了备受关注的“Chrono City”测试。该任务要求模型创建一个包含多个历史时间点的 3D 城市街区场景，以评估其设计能力和细节还原度。测试在“Extra High”模式下运行，并启用了完整上下文窗口（未开启 Fast Mode 以节省资源）。整个生成过程耗时 61 分钟。
生成的场景从 1945 年开始，呈现出一种简约且略带电影感的风格。评测者观察到行人移动自然，车辆具备时代特征（如白色墙轮胎、鳍状设计），甚至有电车轨道和鸟类活动。虽然整体细节丰富度不及 Astra 或 Opus 5（后者被形容为“3JS 巨兽”），但相比 Grok 的前代版本有明显进步。场景中还出现了佩戴胜利债券、穿着羊毛大衣的人物，细节贴合历史背景。
随着时间线推进至 1985 年（Synthwave 美学），场景变为雨天，车辆变得方正，并出现了城市公交车。2005 年（Digital Dawn）部分，建筑显著增高，立面改变，车辆变小。2025 年场景中出现了自行车道、角落的充电桩以及自动驾驶配送机器人，街道灯光正常运作。到了 2550 年，建筑风格更加夸张（Synthwave 风格），出现了类似传闻中 OpenAI Pebble 设备的物体，人物佩戴头部装置。尽管整体风格被评价为“简单”且未达预期华丽程度，但各时代的细节特征得到了准确反映，整体表现合格但未令人惊艳。
复杂物体建模：Beijan 手表网站生成测试
最后一项测试要求创建一款名为“Beijan”的限量版手表 3D 模型，并将其置于具有电影级运镜效果的英雄区块中。该测试还要求展示手表的爆炸视图，并依据提供的图片（评测者的 X 平台头像）在表盘上呈现特定图案。此任务耗时 64 分钟。
生成的网站视觉效果初步看来不错，但在技术细节上存在瑕疵。评测者指出表盘出现了 Z-fighting（深度冲突/闪烁）现象，且数字标记的方向存在异常。不过，这些标记在对称性上保持了一致。尽管存在渲染瑕疵和方向错误，模型仍成功完成了复杂的 3D 建模与网页布局任务，体现了其在特定创意生成场景下的能力边界。
高端腕表3D渲染的视觉保真度与交互限制
在针对Grok模型生成高端腕表（Solstice品牌）3D模型的测试中，其视觉表现呈现出明显的优缺点。材质渲染方面，模型成功还原了皮革纹理等细节，被评价为测试中较为出色的材质表现之一。然而，在几何精度上存在瑕疵：玻璃表镜呈现悬浮状态（hovering），且表盘数字标记处出现了Z轴冲突（z-fighting）现象。尽管如此，模型在手部动作模拟上表现正确，能够准确展示时间读取这一核心功能。
交互性是该模型的主要短板。虽然用户可以左右移动视角查看表盘，但无法进行360度旋转或深入观察内部机芯结构。测试者尝试查看“爆炸视图”（exploded view）时，发现模型存在明显的故障和卡顿。此外，对于特定高端型号（如Van），模型虽能生成相关背景图片并嵌入表盘后方以暗示其稀缺性，但无法实现真正的交互式拆解。总体而言，该结果虽未令人惊艳，但在一定程度上满足了提示词中的基础要求。
"Everything else looks more or less acceptable. The glass is kind of hovering a bit over, but it does have the correct um like hand movement."
基于Blender与GDAU的“街头投掷”游戏生成能力
测试进一步深入至完全由AI生成的3D游戏领域，此次任务要求使用Blender创建资产、GDAU构建逻辑。提示词设定为“尽情发挥”，要求游戏具有荒诞的幽默感和趣味性，即“街头投掷”（Street Yeet）主题。结果显示，AI不仅生成了基础场景，还意外地包含了整个建筑物作为可投掷对象，这超出了简单提示的预期范围。
游戏的核心机制允许玩家向天空投掷各种物体，包括角色和动物。测试者特别指出，AI为不同对象命名（如“Blue cap”），并赋予了它们独特的物理反馈。尽管包含动物投掷的设定略显荒谬，但整体执行流畅。镜头跟随机制表现良好，当公交车进入视野时会自动调整视角以避免遮挡。最引人注目的是，AI生成的环境允许投掷场景内的每一个物体，这种全交互性在同类测试中较为罕见。整个流程展示了AI在处理复杂3D资产生成与游戏逻辑整合方面的显著进步。
"I normally like I don't think I've had one before where you can yeet every single thing in this environment."
80年代风格摔跤游戏的角色绑定与混沌体验
鉴于前一个游戏的良好表现，测试者尝试生成一款80年代风格的3D摔跤游戏（Neon Cage Slamfest 85），并特意将上下文窗口提升至较高的500K选项。游戏设定为霓虹VHS竞技场风格，包含粉色出场、无终结技的混战模式。AI成功生成了四个独立角色（Rex, Veil, Ivan, Set）及其对应的3D模型。最关键的挑战在于角色绑定（rigging），AI需独立为每个角色完成骨骼绑定以支持动作。
游戏运行效果呈现出一种独特的“混沌”美学。角色移动和攻击动画虽然略显僵硬，但行走动作（walk up）被评价为相当不错。游戏包含随机事件和荒诞的叙事元素，例如屏幕上的“法律绑定”舞蹈中断。物理引擎允许玩家攻击包括裁判在内的所有实体，甚至可以通过撞击产生类似啤酒桶的效果。音乐控制（空格键）和生命值系统运作正常。尽管操作难度较高且画面混乱，但这种符合80年代夸张风格的体验被评价为“相当有趣”甚至“令人上瘾”，证明了AI在处理复杂角色动画和特定风格化游戏逻辑上的潜力。
"This is actually, I think, one of the better ones we've seen."
地铁FPS游戏的关卡设计与敌人投放机制
最后一个测试案例是更新版的“地铁第一人称射击”（Subway FPS）游戏。与前作不同，本作引入了多波次敌人投放机制。核心设计要求是：在第一关之后，后续波次的敌人需通过地铁列车进入场景进行投放。这要求AI不仅要生成射击玩法，还要构建动态的环境交互逻辑（地铁进站、开门、敌人涌出）。
测试重点在于验证AI是否能实现这一连贯的流程。虽然字幕片段在描述第一关通过后的机制时中断，但明确指出该设计旨在测试AI对复杂关卡结构和多阶段游戏流程的控制能力。此前案例中展现的Blender资产生成与GDAU逻辑结合的能力，在此被应用于更具挑战性的FPS类型。这一测试旨在评估模型在处理叙事性关卡设计（如地铁作为敌人运输工具）时的逻辑连贯性和技术实现水平。
地铁射击游戏开发：基础扎实但缺乏深度
Grok 4.7在浏览器内构建FPS游戏的测试中，耗时约40分钟完成了基础框架。游戏场景设定在类似伦敦地铁的“King Street”站点，整体视觉风格简洁但逻辑自洽。开发者特别指出，武器系统具备多样性，且环境反馈细致：子弹孔会根据发射的弹药类型（如霰弹枪的多发弹幕）呈现不同的大小和形态。此外，游戏机制包含完整的波次推进逻辑：敌人通过列车进站输送，玩家需在安全屏障内抵御逐渐增多的敌对势力。尽管游戏最终因难度提升而结束，但核心玩法闭环完整，且包含可互动的细节（如故障咖啡机）和真实的换弹动作。
"It's overall, to be honest with you, it's kind of simple, but that doesn't mean it's bad. It just means it's pretty darn simple."（整体来说，坦白讲它很简单，但这并不意味着不好。它只是非常简洁。）
综合项目回顾：胜任力有余，惊艳感不足
回顾本次测试的多个浏览器端游戏案例，Grok 4.7的表现呈现出“基础稳固但缺乏突破性亮点”的特征。在《Skate》游戏和《City Timeline》项目中，代码运行正常且视觉效果良好，但未能展现出超越预期的精细度或创新机制。即便是经过二次迭代要求增加细节的项目，结果依然停留在“合格”层面。模型擅长搭建良好的地基和基础架构，但在将作品打磨至高度 polished（精致）阶段时显得动力不足。相比之下，《Subway》项目因其极高的环境互动性（几乎所有物体均可交互）而成为亮点，这在浏览器游戏生成中较为罕见。
复杂场景与物理模拟：部分成功，细节缺失
在更具挑战性的项目中，Grok 4.7展现了混合技术栈的应用能力与物理模拟的潜力。在摔跤游戏中，模型利用Blender生成资产并自动绑定角色骨骼，角色的受击反馈和身体后仰动作在物理表现上达到了“勉强令人印象深刻”的水平，这是此前测试中未见的良好反馈。然而，在机器人手臂抓取汽车的测试中，模型虽然能快速生成代码并移动物体，但未能精准定位目标（汽车），缺失了最后10%的关键交互精度。这表明模型在处理复杂空间关系和精确物理约束时，仍存在明显的短板，无法达到工业级的完美执行标准。
定价策略与性价比：极具竞争力的市场定位
本次测试中，评测者使用了价值$300/月的Super Grok订阅计划以应对高算力需求，甚至中途因额度耗尽而升级。尽管使用了最高档位的订阅服务，Grok 4.7的核心优势在于其基础定价模型：输入价格为每百万Token $2，输出价格为每百万Token $6。这一价格显著低于Opus、Soul以及Fable等前沿模型。评测者认为，即使Grok 4.7在某些任务中消耗更多Token或仅能达到竞品80%的效果，其低廉的成本仍使其具备极高的性价比。对于日常开发工作流而言，它提供了一个极具竞争力的选择，特别是在需要快速迭代和原型验证的场景下。虽然基准测试数据尚待完善，但其价格优势已确立了独特的市场价值。
结论
Grok 4.7凭借2.1万亿参数与极具竞争力的定价（输入$2/输出$6每百万token），在性价比上显著优于竞品，性能接近Fable 5.1 Medium。其优势在于基础架构稳固、多模态理解良好及快速迭代能力，能生成逻辑自洽的浏览器游戏与历史场景。然而，模型在视觉保真度、复杂物理交互精度（如深度感知与机械臂控制）及细节打磨上存在明显短板，常止步于“合格”而非惊艳。它适合快速原型验证与基础开发，但在高精度3D建模或复杂物理模拟等工业级场景中仍显不足。