Модель можно использовать для агентов, которые выполняют задачу по шагам и проверяют найденные ответы.

Главное

  • Grok 4.7 поддерживает четыре уровня рассуждения: low, medium, high и xhigh.
  • В тесте агент дал 67 правильных ответов из 72 запусков.
  • На уровне xhigh модель ответила верно во всех 18 запусках.

Как модель подключили к Amazon Bedrock

Grok 4.7, модель SpaceXAI, доступна через конечную точку bedrock-runtime. Запросы идут через профиль для разных регионов.

Доступны два профиля. us.xai.grok-4.7 маршрутизирует запросы внутри США. global.xai.grok-4.7 работает в коммерческих регионах AWS.

Маршрутизация между регионами распределяет запросы по нескольким регионам AWS. Это даёт более высокую пропускную способность без настройки мощности по каждому региону.

Модель поддерживает вызов инструментов. Это значит, что агент может обращаться к внешним функциям во время выполнения задачи.

Также поддерживается структурированный вывод. Ответ можно получать в заранее заданном формате.

Grok 4.7 работает с текстом и изображениями на входе. На выходе модель выдаёт текст.

SpaceXAI указывает для Grok 4.7 окно контекста 500 тыс. токенов. Токены являются частями текста, по которым считают объём запроса и ответа.

Что показал тест агентов

Авторы публикации собрали агента с вызовом инструментов. Его проверили на трёх задачах, где ответ надо искать, а не просто считывать из данных.

Первая задача касалась сбоя двух сервисов. В ней 12 других сервисов показали предупреждения, а два отказавших сервиса не подали собственных сигналов.

Вторая задача требовала составить график обслуживания. Нужно было распределить восемь сервисов на четыре ночи с десятью ограничениями.

Третья задача касалась переноса сервисов в рамках бюджета. Агент должен был выбрать набор с максимальным снижением риска.

У каждой задачи был один правильный ответ. Его проверяли перебором всех вариантов.

Всего провели 72 запуска. Три задачи запускали на четырёх уровнях рассуждения по шесть раз.

Агент дал 67 правильных ответов из 72. На уровне xhigh он ответил верно во всех 18 запусках.

На уровне low агент дал 15 правильных ответов из 18. При этом он использовал примерно одну восьмую выходных токенов по сравнению с xhigh.

Авторы считали расход в токенах, а не в деньгах. Они объяснили это тем, что цены на токены меняются.

В тестах использовали лимит 32 768 токенов на ответ. По данным публикации, этого хватало на всех уровнях рассуждения.

Контекст

Компания также сообщала о более длинном обучении с подкреплением на более сложных задачах.

В опубликованных SpaceXAI тестах Grok 4.7 показала 37,6% в Terminal-Bench 4.0 против 20,3% у Grok 4.6. В CursorBench 4.0 результат составил 46,3% против 40,4%.

В HealthBench Professional модель получила 56,7% против 48,5% у Grok 4.6. В Harvey Legal Agent Benchmark результат составил 19,6% против 15,8%.

Подробности опубликованы на странице aws.amazon.com.