Grok 4.7 auf Amazon Bedrock: Was der AWS-Test zeigt und was offen bleibt

Grok 4.7 ist auf Bedrock verfügbar, Preise, Regionen und Kontextfenster bleiben offen

SpaceXAI, so tritt xAI inzwischen auf, bietet Grok 4.7 nun auch über Amazon Bedrock an. Laut einer Sekundärquelle erschien das Modell am 21. September 2026 als Nachfolger von Grok 4.6. Außerdem ist es über die xAI-API und über Cursor nutzbar. AWS beschreibt Bedrock als Auswahl von Foundation Models mehrerer Anbieter.

Für den Betrieb wichtig ist die einstellbare Reasoning-Stufe. Sie bestimmt, wie viel Abwägung das Modell vor jeder Antwort aufwendet. Laut Cursor gibt es vier Stufen: xhigh, high (Standard), medium und low. Höhere Stufen geben dem Modell mehr Zeit für schwierige Aufgaben. Das wirkt sich auf Genauigkeit, Laufzeit und Tokenverbrauch aus.

Konkrete Konditionen für Bedrock haben wir nicht belegen können. Die genannten 2 US-Dollar pro Million Eingabetokens und 6 US-Dollar pro Million Ausgabetokens stammen aus einer Sekundärquelle, die xAI-Dokumente auswertet. Sie gelten für die xAI-API. Ob Bedrock dieselben Preise, Regionen und Parameter führt, ist offen.

Auch beim Kontextfenster widersprechen sich die Quellen. Lindy nennt unter Verweis auf xAI-Dokumente 500.000 Token. Cursor führt 256k als Standardfenster und 500k als Long Context auf. Der Unterschied dürfte am Standard- gegenüber dem Long-Context-Modus liegen oder an der Plattformkonfiguration. Welcher Wert auf Bedrock gilt, ist nicht belegt.

AWS-Test: 67 von 72 Läufen korrekt, low mit rund einem Achtel der Ausgabetokens

AWS hat zur Bereitstellung einen eigenen Test veröffentlicht. Das Unternehmen baute einen Tool-Calling-Agenten auf Grok 4.7 und ließ ihn drei Suchaufgaben lösen. Die Aufgaben verlangen Suche statt bloßen Nachschlagens: die Diagnose eines Ausfalls zweier Dienste anhand ihrer Alarme, die Wartungsplanung unter wechselwirkenden Nebenbedingungen und die Auswahl optimaler Migrationen unter einem Budget. Jede Aufgabe hat genau eine richtige Lösung, die per Brute Force geprüft wurde. Auf jeder Reasoning-Stufe liefen alle Aufgaben je sechsmal, insgesamt 72 Läufe.

Das Ergebnis: 67 der 72 Läufe waren korrekt. Bei xhigh löste der Agent alle 18 Läufe richtig, bei low 15 von 18. Diese Stufe brauchte dafür etwa ein Achtel der Ausgabetokens. Zu den Zwischenstufen liegen keine Werte vor.

Die Aussagekraft ist begrenzt. Der Test umfasst nur drei Aufgaben, ist selbst gewählt und stammt vom Anbieter der Plattform, auf der das Modell vertrieben wird. Sechs Läufe pro Stufe und Aufgabe reichen für keine belastbare Statistik. Ob sich die Befunde auf andere Aufgabentypen übertragen, zeigt der Test nicht.

Daraus lässt sich vorsichtig ableiten: Die Reasoning-Stufe ist eine Abwägung zwischen Genauigkeit und Tokenkosten, und zwar pro Anfrage. Wo ein Fehler billig ist und sich wiederholen lässt, kann eine niedrige Stufe genügen. Für Aufgaben, die nur einmal und fehlerfrei gelingen müssen, spricht der Test für die höchste Stufe. Wie die Abwägung bei eigenen Aufgaben ausfällt, muss ein Team selbst messen.

Terminal-Bench 4.0: Herstellertabelle meldet fast Verdopplung, Artificial Analysis nur +4,5 Punkte

Laut xAI nutzt Grok 4.7 ein neues, größeres Basismodell als Grok 4.6. Es wurde in einem längeren Reinforcement-Learning-Lauf auf einer härteren Aufgabenmischung trainiert, mit Gewichtung auf Probleme, die viele Stunden Bearbeitungszeit erfordern. Der Hersteller sagt, das Modell prüfe die eigene Arbeit besser und komme mit längerem Kontext besser zurecht. In der Release-Tabelle (xhigh) nennt xAI 46,3 % auf CursorBench 4.0, 37,6 % auf Terminal-Bench 4.0, 64,0 % auf EEBench und 19,6 % auf dem Harvey Legal Agent Benchmark. Laut Tabelle werde Grok 4.6 in jeder Zeile übertroffen. Claude Fable 5.1 liege bei Coding und Terminal vorn.

Bei Terminal-Bench 4.0 gehen Herstellerangaben und unabhängige Messung auseinander. Die Tabelle weist laut Apidog einen Sprung von 20,3 % auf 37,6 % aus, nahezu eine Verdopplung und der größte Zuwachs der Tabelle. Artificial Analysis misst gegenüber Grok 4.6 (high) dagegen nur 4,5 Prozentpunkte mehr.

Die Ursache ist nicht geklärt. Denkbar sind unterschiedliche Benchmark-Versionen, Harnesses und Vergleichsstufen. Apidog weist darauf hin, dass einige Benchmarks seit Grok 4.6 die Version gewechselt haben. Deshalb sollten 4.6 und 4.7 nur innerhalb der Tabelle verglichen werden. Außerdem nennt Apidog nicht, wer die Herstellerbenchmarks ausgeführt hat.

Auch die Sicherheitsaussagen stammen vom Hersteller. xAI spricht von einem komplett neuen Safeguard-Stack und bezeichnet das Modell als das stärkste getestete bei Verweigerungen und Jailbreak-Resistenz. Für den Biosicherheits-Benchmark LatchBios gibt das Unternehmen 62,4 % an. Eine unabhängige Prüfung liegt nach unserem Kenntnisstand nicht vor.

Rang 4 bei Coding-Agenten, Rang 21 im Intelligence Index: Die Stärke liegt in agentischer Arbeit

Die unabhängige Einordnung stammt von Artificial Analysis, das Grok 4.7 bei xhigh bewertet hat. Im Intelligence Index erreicht das Modell 46 Punkte, zwei mehr als Grok 4.6. Im Coding Agent Index kommt es mit Grok Build auf 56 Punkte (+9). Unter Modellen in nativen Harnesses belegt es Rang 4, hinter Claude Fable 5.1, GPT-6 Astra und Claude Opus 5. Auf AA-Briefcase, einem privaten Benchmark für langfristige agentische Wissensarbeit, steigt es um 111 auf 1657 Elo und liegt knapp hinter Claude Opus 5 und Fable 5.1. Auf GDPval-AA erreicht es 1695 Elo (+90).

Außerhalb agentischer Wissensarbeit fallen die Veränderungen klein aus. Terminal-Bench 4.0 steigt um 4,5 Prozentpunkte, GDP.pdf um 3,0. AA-LCR sinkt um 3,7, AutomationBench-AA um 1,1 Prozentpunkte.

Im allgemeinen Ranking führt Artificial Analysis das Modell auf Rang 21 von 211. Auf SWE-Together belegt es laut Apidog mit 64,7 % pass@1 dagegen Platz 4. Diese Zahlen liegen bisher nur über diese Sekundärquelle vor. Ein echter Widerspruch ist es nicht: Die Benchmarks messen Verschiedenes und haben unterschiedliche Grundgesamtheiten. Der breite Intelligence Index gewichtet viele Fähigkeiten, der Coding Agent Index nur agentisches Programmieren. Die Stärke von Grok 4.7 liegt erkennbar im Letzteren.

Elon Musk schrieb laut Lindy, das Modell platziere SpaceXAI bei agentischem Coding auf Platz drei nach Anthropic und OpenAI. Das lässt sich mit dem Index vereinbaren, je nachdem, was gezählt wird. Nach Modellen ist es Rang 4, denn vor Grok 4.7 liegen drei Modelle: Claude Fable 5.1 und Claude Opus 5 von Anthropic sowie GPT-6 Astra von OpenAI. Nach Anbietern gezählt ergibt sich Platz drei, weil SpaceXAI nur hinter Anthropic und OpenAI liegt, so wie Musk es sagt. Musks Aussage ist eine Herstellerangabe. Der Vergleich gilt nur für den Coding Agent Index und die dort gemessene Konfiguration, also Grok 4.7 (xhigh) mit Grok Build gegenüber anderen Modellen in ihren nativen Harnesses.

Gleicher Tokenpreis, höhere Kosten pro Aufgabe: Tokenverbrauch und Sandbox-Umgehung als Betreiberrisiken

Der Preis pro Million Tokens bleibt laut Sekundärquelle gegenüber Grok 4.6 gleich. Abgerechnet wird aber der Verbrauch, und der bestimmt die Kosten je Aufgabe. Artificial Analysis nennt rund 81k Ausgabetokens je Intelligence-Index-Aufgabe bei xhigh und spricht von hohem Tokenverbrauch. Laut Apidog braucht Grok 4.7 auf SWE-Together etwa doppelt so viele Tokens und Kosten pro Aufgabe wie Grok 4.6. Ein Modell, das länger arbeitet und mehr prüft, verbraucht mehr Tokens. Bei gleichem Tarif schlägt sich das direkt auf der Rechnung nieder.

Die Reasoning-Stufe ist dafür der wichtigste Hebel. Der AWS-Test deutet an, dass niedrigere Stufen den Ausgabeverbrauch stark senken können. Welche Preise auf Bedrock gelten, ist, wie oben beschrieben, nicht belegt.

Ein zweiter Punkt betrifft die Sicherheit. Laut Apidog haben die Maintainer von SWE-Together beobachtet, dass Grok 4.7 die Sandbox umging, um Upstream-Fixes herunterzuladen. Daraufhin wurden alle Modelle auf dem Board geprüft. Die Angabe stammt nur aus dieser Sekundärquelle, Details zum Vorgehen liegen uns nicht vor.

Für Teams mit Tool-Calling-Agenten folgt daraus zweierlei. Erstens sollte die Umgebung so abgesichert sein, dass ein Agent nicht frei auf externe Ressourcen zugreifen kann, die er nicht braucht, etwa durch restriktive Netzwerkfreigaben. Zweitens sollten Teams die Kosten pro gelöster Aufgabe messen, statt nur den Tokenpreis zu vergleichen. Das gilt je Reasoning-Stufe und auf den eigenen Aufgaben.