SpaceX steigt mit Grok 4.7 zu den führenden KI-Laboren auf

Trending Topics auf Google als bevorzugte Nachrichtenquelle festlegen.

Die KI-Sparte von SpaceX hat soeben ihr neues Modell Grok 4.7 veröffentlicht und schafft damit den Sprung in die Spitzengruppe der KI-Labore. Im Artificial Analysis Intelligence Index erreicht das Modell 46 Punkte, zwei mehr als der Vorgänger Grok 4.6. Das reicht für Platz vier unter den führenden Anbieter:innen von Frontier-Modellen. Ausgewertet wurde die Version mit der höchsten Reasoning-Stufe („xhigh“).

Für das Unternehmen, das sich nach der Fusion mit SpaceX von xAI in SpaceXAI umbenannt hat, ist das die bislang beste Platzierung in dem Benchmark-Ranking. SpaceXAI selbst positioniert Grok 4.7 als sein stärkstes Modell für Programmierung und Wissensarbeit und wirbt damit, es sei doppelt so schnell und halb so teuer wie vergleichbare Modelle. Die messbaren Fortschritte konzentrieren sich auf zwei Bereiche: agentische Wissensarbeit und Coding-Agents.

Größeres Basismodell und längeres Reinforcement Learning

Technisch setzt Grok 4.7 laut Unternehmensangaben auf einem neuen, größeren Basismodell auf als Grok 4.6. Dazu kommt ein längerer Reinforcement-Learning-Durchlauf mit einem schwierigeren Aufgabenmix, der bewusst auf Probleme ausgerichtet wurde, die viele Stunden Arbeit erfordern. Das Modell soll dadurch eigene Ergebnisse besser überprüfen und lange Kontexte stabiler verwalten können.

Zusätzlich wurde Grok 4.7 darauf trainiert, die hauseigene Agenten-Umgebung Grok Bot nativ zu verstehen. Das soll vor allem bei dialogorientierten Aufgaben und allgemeiner Wissensarbeit helfen.

Deutlicher Sprung bei agentischer Wissensarbeit

Den größten Zuwachs verzeichnet Grok 4.7 auf AA-Briefcase, einem nicht öffentlichen Benchmark von Artificial Analysis für langlaufende agentische Wissensarbeit. Dort kommt das Modell auf 1.657 Elo und damit auf 111 Punkte mehr als Grok 4.6 in der High-Konfiguration (1.546). Vor Grok 4.7 liegen nur noch Claude Opus 5 und Claude Fable 5.1, letzteres mit 1.678 Elo knapp.

Der Zugewinn stammt vor allem aus der analytischen Qualität der Ergebnisse: Hier steigt der Wert von 1.690 auf 1.994 Elo, während die Präsentationsqualität mit 1.499 gegenüber 1.519 praktisch unverändert bleibt. Der Benchmark prüft zusätzlich, ob die abgelieferten Arbeiten die Anforderungen der jeweiligen Aufgabe erfüllen, also etwa ob die Analyse vollständig ist und die verlangten Dokumente tatsächlich entstehen.

Ein ähnliches Bild zeigt GDPval, wo Modelle praxisnahe Arbeitsprodukte für Berufe wie Jurist:innen, Pflegekräfte oder Finanzanalyst:innen erzeugen müssen. Grok 4.7 erreicht dort 1.695 Elo, Grok 4.6 (high) kam auf 1.605. An der Spitze liegt Fable 5.1 (max) mit 1.735, GPT-6 Astra (max) folgt mit 1.542.

Coding-Agent überholt GPT-5.6 Sol

Im Artificial Analysis Coding Agent Index kommt Grok 4.7 in Kombination mit dem hauseigenen Agenten Grok Build auf 56 Punkte, ein Plus von neun Punkten gegenüber Grok 4.6. Damit zieht das Modell an GPT-5.6 Sol vorbei. Unter den Modellen, die in ihrer eigenen Agenten-Umgebung getestet werden, liegt die Kombination nun auf Rang vier hinter Claude Fable 5.1, GPT-6 Astra und Claude Opus 5.

Die Verbesserung zieht sich durch alle drei Teilbereiche: DeepSWE v1.1 steigt von 65 auf 73 Prozent, Terminal-Bench 4.0 von 18 auf 33 Prozent und SWE-Atlas-QnA von 58 auf 63 Prozent. Diese Werte sind allerdings nicht direkt mit dem Intelligence Index vergleichbar, weil dort für alle Modelle dieselbe standardisierte Testumgebung verwendet wird.

SpaceXAI selbst hebt CursorBench 4.0 hervor, einen Test für längerlaufende Programmieraufgaben. Dort verbessert sich Grok 4.7 auf 46,3 Prozent gegenüber 40,4 Prozent bei Grok 4.6 und liegt damit vor GPT-5.6 Sol (41,7 Prozent), aber hinter Fable 5.1 (51,8 Prozent). Aus Sicht des Unternehmens ist das Modell bei den Kosten pro Aufgabe das beste Preis-Leistungs-Angebot in dieser Liga.

Starke Werte bei Elektrotechnik und Recht, Schwächen in der Medizin

Auffällig sind die Ergebnisse in fachlich spezialisierten Benchmarks, die SpaceXAI veröffentlicht hat. Auf EEBench für Elektrotechnik kommt Grok 4.7 auf 64,0 Prozent und liegt damit vor Fable 5.1 (56,4 Prozent) und deutlich vor GPT-5.6 Sol (39,4 Prozent). Auf dem Harvey Legal Agent Benchmark für juristische Arbeit erreicht das Modell 19,6 Prozent, wo die Konkurrenz mit 6,7 beziehungsweise 2,5 Prozent weit abgeschlagen bleibt.

Umgekehrt sieht es beim klinischen Denken aus: Auf HealthBench Professional kommt Grok 4.7 auf 56,7 Prozent und bleibt damit hinter GPT-5.6 Sol (60,5 Prozent) und Fable 5.1 (62,1 Prozent). Auf Terminal-Bench 4.0 meldet SpaceXAI einen Sprung von 20,3 auf 38,0 Prozent, während Fable 5.1 dort mit 57,9 Prozent klar vorne liegt.

Außerhalb der Agenten-Benchmarks kaum Bewegung

In den übrigen Disziplinen des Intelligence Index liegt Grok 4.7 weitgehend auf dem Niveau von Grok 4.6. Zulegen kann das Modell bei Terminal-Bench 4.0 (plus 4,5 Prozentpunkte) und GDP.pdf (plus 3,0 Prozentpunkte), während es bei AA-LCR (minus 3,7 Prozentpunkte) und AutomationBench-AA (minus 1,1 Prozentpunkte) schwächer abschneidet.

Bei der Zuverlässigkeit gibt es eine leichte Verbesserung: Die Halluzinationsrate im AA-Omniscience-Test sinkt von 34 auf 29 Prozent, die Genauigkeit bleibt mit 47 gegenüber 48 Prozent praktisch gleich. Der Gesamtindex steigt von 30 auf 32.

Der Preis der Leistung: deutlich mehr Token

Die Fortschritte erkauft sich Grok 4.7 mit einem erheblich höheren Rechenaufwand. Pro Aufgabe im Intelligence Index erzeugt das Modell rund 81.000 Output-Token, während Grok 4.6 (high) mit 36.000 auskommt und GPT-6 Astra (max) mit 27.000. Das entspricht einem Mehrverbrauch von 125 beziehungsweise 196 Prozent. Zum Vergleich: Muse Spark 1.3 (max) liegt bei 60.000 Token.

Die Ausgabegeschwindigkeit beziffert Artificial Analysis bei langen Prompts auf etwa 188 Token pro Sekunde, im Schnitt benötigt Grok 4.7 rund 7,1 Minuten pro Benchmark-Aufgabe. Wer das Modell einsetzt, zahlt den höheren Token-Verbrauch also doppelt, in Kosten und in Wartezeit.

Neuer Sicherheits-Stack und Zugang für Cybersecurity-Partner

SpaceXAI hat für Grok 4.7 nach eigenen Angaben einen komplett neuen Schutzmechanismus gebaut und bezeichnet das Modell als das bislang robusteste des Hauses bei Ablehnungen und Jailbreak-Versuchen. In Dual-Use-Feldern wie Cybersecurity und Biologie soll es sowohl bei der Nützlichkeit für legitime Aufgaben als auch beim Abweisen gefährlicher Anfragen vorne liegen. Auf dem Biosafety-Benchmark von LatchBio nennt das Unternehmen einen Spitzenwert von 62,4 Prozent.

Auf HackerBench v0.3, einem hauseigenen Test für riskante und bösartige Cyber-Aufgaben, lässt Grok 4.7 laut SpaceXAI nur 3,3 Prozent der riskanten Dual-Use-Prompts durch, ohne legitime Sicherheitsarbeit häufig zu blockieren. Ausgewählten Cybersecurity-Partnern gibt das Unternehmen zudem auf Einladung Zugang zu den Red-Team-Fähigkeiten des Modells für Verteidigungsforschung.

Preise unverändert, schnelle Variante kostet doppelt

An den kommerziellen Eckdaten ändert sich nichts. Das Kontextfenster bleibt bei 500.000 Token. Die Preise liegen weiterhin bei umgerechnet rund 1,70 Euro pro einer Million Input-Token (2 US-Dollar) und rund 5,10 Euro pro einer Million Output-Token (6 US-Dollar), Cache-Treffer kosten rund 43 Cent pro Million Token (0,50 US-Dollar). Zum Vergleich: GPT-5.6 Sol kostet rund 3,40 Euro je Million Input-Token und rund 17 Euro je Million Output-Token, Fable 5.1 liegt bei rund 8,50 beziehungsweise 42,50 Euro. Zusätzlich bietet SpaceXAI eine schnelle Variante mit doppelter Ausgabegeschwindigkeit zum doppelten Preis an.

Die Reasoning-Stufe lässt sich von „low“ bis „xhigh“ konfigurieren, wobei die Benchmark-Ergebnisse auf der höchsten Stufe entstanden sind. Verfügbar ist das Modell ab sofort in Cursor und in Grok Build, dazu über die Grok API, über Coding-Umgebungen von Drittanbietern sowie über Model-Router und Cloud-Plattformen.