curl --request POST "https://gptproto.com/v1/chat/completions" \
--header "Authorization: Bearer $GPTPROTO_API_KEY" \
--header "Content-Type: application/json" \
--data '{
"model": "grok-4.7",
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}'Chat, agents de codage et travail documentaire. Facturé par million de tokens — l'entrée, l'entrée en cache et la sortie sont facturées séparément. GPTProto est 40 % en dessous des tarifs officiels.
| Scénario | Liste Grok | OpenRouter | GPTProto | Économies / mois |
|---|---|---|---|---|
| Personnel10M tokens / mois (4.8M en cache) | $20.80 | $21.94 | $12.48 | −$8.32≈ $99.84 / an |
| Équipe100M tokens / mois (48M en cache) | $208.00 | $219.44 | $124.80 | −$83.20≈ $998.40 / an |
| Entreprise500M tokens / mois (240M en cache) | $1040.00 | $1097.20 | $624.00 | −$416.00≈ $4992.00 / an |
Grok · 500K context · $1.2/M input · $3.6/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
L'API Grok 4.7 donne aux développeurs accès au modèle de SpaceXAI pour l'ingénierie logicielle, les tâches agentiques et le travail intellectuel. Elle accepte les entrées texte et image, renvoie du texte, prend en charge l'appel de fonctions et les sorties structurées, et propose un effort de raisonnement low, medium, high et xhigh. GPTProto permet aux équipes de l'évaluer aux côtés d'autres modèles avec un seul compte et un seul solde.
Contexte multimodal de 500K
Traitez de longs dépôts, des documents techniques, des captures d'écran d'interface utilisateur et des diagrammes en une seule requête. La fenêtre de contexte inclut à la fois les tokens du prompt et les tokens générés, alors réservez suffisamment de capacité pour la réponse attendue.
Raisonnement de low à xHigh
Choisissez un effort de raisonnement low, medium, high ou xhigh. Commencez en dessous de xhigh pour les tâches routinières, puis augmentez-le uniquement lorsqu'une vérification plus approfondie améliore l'achèvement de la tâche.
Travail de codage de longue durée
Utilisez Grok 4.7 pour les modifications multi-fichiers, le débogage, l'analyse de dépôts, la planification de tests et les boucles répétées planifier-exécuter-vérifier où le modèle doit préserver l'état sur de nombreuses étapes.
Appels d'outils et sortie structurée
Connectez le modèle aux fonctions de l'application et demandez du JSON contraint par schéma. Ces mécanismes aident les agents à transmettre des données validées entre les outils au lieu de s'appuyer sur de la prose non structurée.
Grok 4.7 est un modèle à sortie texte publié par SpaceXAI le 21 septembre 2026. Il utilise un modèle de base plus grand que Grok 4.6 et a bénéficié d'une phase d'apprentissage par renforcement plus longue, orientée vers des tâches difficiles pouvant prendre des heures à accomplir.
Le modèle accepte du texte et des images dans une fenêtre de contexte de 500,000 tokens. SpaceXAI ne publie pas de limite de sortie texte distincte au niveau du modèle, mais l'entrée plus la sortie générée doivent tenir dans la fenêtre de contexte. Les délais d'attente de la passerelle et les limites de compte s'appliquent toujours.
Les développeurs peuvent utiliser l'appel de fonctions, les sorties structurées et le raisonnement configurable. La recherche Web ou X doit être explicitement activée pour obtenir des informations actuelles ; la date limite de connaissances publiée est mai 2026.
Avec GPTProto, le même compte et le même solde peuvent être utilisés pour Grok 4.7 et plus de 200 autres modèles, ce qui simplifie les comparaisons et les solutions de repli entre fournisseurs.
| Spécifications | Grok 4.7 |
|---|---|
| Fournisseur | SpaceXAI (xAI) |
| Date de publication | 21 septembre 2026 |
| Chaîne de modèle GPTProto | grok-4.7 |
| Modalités d'entrée | Texte et image |
| Modalité de sortie | Texte |
| Fenêtre de contexte | 500,000 tokens, incluant l'entrée et la sortie générée |
| Limite de sortie texte publiée | Aucune limite distincte au niveau du modèle indiquée par SpaceXAI |
| Effort de raisonnement | low, medium, high, xhigh ; par défaut high dans l'API officielle |
| Contrôles de l'agent | Appel de fonctions et sorties structurées |
| API Batch | Non pris en charge dans l'API officielle SpaceXAI au lancement |
| Date limite de connaissances | mai 2026 |
Codage à l'échelle d'un dépôt : Laissez un agent inspecter les interfaces, les tests, la configuration et les dépendances avant de proposer une modification. Demandez un plan, un résumé du correctif, des preuves de test et les risques non résolus sous forme de champs distincts.
Travail agentique de longue haleine : Utilisez des appels de fonctions pour la recherche, l'exécution, la validation et les nouvelles tentatives. Conservez les autorisations et les critères d'achèvement dans le harnais d'agent environnant.
Analyse technique visuelle : Fournissez des captures d'écran d'interface, des graphiques ou des schémas avec des instructions textuelles. Utilisez une sortie structurée lorsque le code en aval a besoin de coordonnées, d'étiquettes, de catégories de problèmes ou de champs de confiance.
Travail de connaissance professionnel : Rédigez des rapports ou des présentations à partir de grands ensembles de sources. Pour les usages à forts enjeux, gardez les citations, la récupération et l'approbation humaine en dehors de la réponse du modèle.
Grok 4.7 conserve, pour Grok 4.6, le contexte 500K, les modalités, les tarifs officiels de tokens et les niveaux de raisonnement. Le changement est comportemental : un modèle de base plus grand, un apprentissage par renforcement plus long, une autocorrection renforcée et une meilleure gestion du travail prolongé.
| Facteur de décision | Grok 4.7 | Grok 4.6 |
|---|---|---|
| Fenêtre de contexte | 500K tokens | 500K tokens |
| Entrée / sortie | Texte et image / texte | Texte et image / texte |
| Niveaux de raisonnement | Low, medium, high, xhigh | Low, medium, high, xhigh |
| Prix officiel pour moins de 200K tokens d'entrée | $2 entrée / $0.50 entrée mise en cache / $6 sortie par 1M tokens | $2 entrée / $0.50 entrée mise en cache / $6 sortie par 1M tokens |
| CursorBench 4.0, rapporté par le fournisseur | 46.3% à xhigh | 40.4% à high |
| DeepSWE v1.1, rapporté par le fournisseur | 71.0% à high | 65.2% à high |
| Terminal-Bench 4.0, rapporté par le fournisseur | 38.0% à xhigh | 20.3% à high |
| Idéal pour | Nouveaux déploiements de codage et de travail de connaissance ; tâches multi-étapes plus difficiles | Intégrations existantes qui ont encore besoin de tests de régression avant migration |
Les résultats de benchmark ci-dessus sont rapportés par SpaceXAI et n'ont pas été reproduits indépendamment par GPTProto. Les paramètres de raisonnement diffèrent entre certaines lignes ; considérez-les donc comme des preuves de lancement plutôt que comme un classement universel.
Aucun benchmark unique ne répond à toutes les comparaisons de ce groupe. SpaceXAI rapporte 46.3% pour Grok 4.7 sur CursorBench 4.0, contre 41.7% pour GPT-5.6 Sol et 51.8% pour Claude Fable 5.1. Sur DeepSWE v1.1, il rapporte respectivement 71.0%, 72.7% et 70.0%. Le gagnant change selon la charge de travail.
SpaceXAI inclut également GPT-6 Astra dans les graphiques de travail de connaissance, mais ces résultats ne doivent pas être fusionnés avec le tableau de codage ci-dessus. Pour Grok 4.7 vs GPT-6 Astra, Claude Fable 5.1 vs Grok 4.7, Qwen3.8-Max-0902 vs Grok 4.7, ou Grok 4.7 vs Gemini 4, utilisez des invites et des outils identiques, puis enregistrez l'achèvement, les nouvelles tentatives, les tokens, la latence et le coût.
Un effort plus élevé peut améliorer les tâches difficiles, mais peut augmenter la latence et l'utilisation de tokens de raisonnement. Choisissez le niveau le plus bas qui termine le travail de manière fiable.
| Charge de travail | Effort de départ suggéré | Axe d'évaluation |
|---|---|---|
| Classification, extraction ou modifications de code simples | low |
Validité du schéma, latence, coût |
| Travail sur fonctionnalités multi-fichiers ou synthèse de documents | medium |
Cohérence entre fichiers, exigences manquées |
| Débogage difficile ou agents multi-outils | high |
Achèvement des tâches, erreurs d'outils, comportement de récupération |
| Architecture complexe, investigation approfondie ou exécutions à effort élevé échouées | xhigh |
Taux de réussite ajouté par rapport aux tokens et au temps supplémentaires |
Pour les tâches longues, enregistrez des points de contrôle de l'état, définissez des délais d'attente pour les outils, limitez les nouvelles tentatives, validez les sorties structurées et journalisez les tokens par étape. Cela est plus instructif que de comparer les prix catalogue seuls.
Commencez une migration depuis Grok 4.6 par un changement de chaîne de modèle, et non par une réécriture complète des invites. Gardez l'ancienne version disponible et comparez les deux sur le même ensemble de tâches.
Confirmez la chaîne de modèle GPTProto affichée dans le panneau Quick Start de la page avant de modifier le code de l'application.
Relancez les tâches de régression au même effort de raisonnement. Ne comparez pas Grok 4.6 high à Grok 4.7 xhigh sauf si l'utilisation supplémentaire de tokens fait partie du test.
Vérifiez les arguments d'appel d'outil, le JSON structuré, le comportement d'arrêt, la longueur de sortie, la latence et le coût total—pas seulement la qualité de la réponse.
Révisez les invites qui supposent un plafond de sortie fixe. SpaceXAI n'indique aucune limite de sortie texte distincte, mais la requête complète doit tout de même tenir dans 500K tokens.
Gardez une solution de repli jusqu'à ce que Grok 4.7 réussisse les critères d'acceptation pour vos dépôts, outils et documents réels.
Lorsque vous passez d'un accès direct à xAI, utilisez le point de terminaison et le modèle d'authentification de la section Quick Start fixe de GPTProto. Ne copiez pas l'URL de base officielle de xAI dans une requête GPTProto.
Guides, comparaisons et mises à jour liés à ce modèle.
Tous les articles
GLM-5.3-FlashX promet jusqu’à 200 tokens/s, mais coûte 2,5× plus cher que Flash. Découvrez sa tarification, son adéquation au codage, ses limites de vitesse et quand la mise à niveau est rentable.
Comparez les six meilleurs fournisseurs d’API LLM en 2026 selon l’accès aux modèles, la structure tarifaire, la vitesse, la compatibilité, la gouvernance et l’expérience développeur.
Qu’est-ce que Jev ? Découvrez comment le modèle de décision de TypeSafe AI renvoie des probabilités typées, diffère des LLM et s’intègre aux workflows de routage et d’agents.
Comparez GPTProto, Supabase, Stripe, Clerk et Resend pour créer un MVP SaaS IA lean, API-first, avec des coûts d’infrastructure initiaux réduits.
