能力矩阵
基准分数打平时，胜负往往取决于工具链、是否开源权重，以及服务商的稳定性。
Grok 4.7 在 2 个共同基准中领先 2 个。
| 维度 | Grok 4.7 | Kimi K3 |
|---|---|---|
| GPQA Diamond | — | 92.9% |
| HLE | — | 43.5% |
| MathArena Apex | — | 65.6% |
| Terminal-Bench 2.1 | — | 88.3% |
| Terminal-Bench 3.0 | — | 17.7% |
| Terminal-Bench 4.0 | 38% | 12.6% |
| DeepSWE v1.1 | 71% | 67.5% |
| ProgramBench | — | 17.5% |
| NL2Repo-Bench | — | 58% |
| CyberGym | — | 80% |
| HLE (w/tools) | — | 59.8% |
| Automation-Bench | — | 46.7% |
| Agents' Last Exam | — | 27.6% |
| Chartography (w/tools) | — | 68.1% |
| BabyVision (w/tools) | — | 85.7% |
| ZeroBench-main (w/tools) | — | 41% |
| 混合价格 | $4.00 /1M | — |
| 完整价格输入 · 输出 · 缓存输入 | $2.00 · $6.00 · $0.500 | — |
| 上下文窗口 | 500K | — |
调整月用量——每个模型都会即时重算。
估算使用列表价，未计入缓存输入、批量折扣和低谷时段价格。