BenchLeader

Grok 4.7 vs Qwen3.8 Max

完整资料:Grok 4.7(SpaceXAI)和 Qwen3.8 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,Grok 4.7 与 Qwen3.8 Max 的质量不相上下(BenchLeader Index 57.4 比 58.7,在 ±4.3 的误差范围内)。两者价格相近(每百万 token 混合价格 $3.00 比 $3.00)。看重推理(56 比 52)和知识(60 比 58)选 Grok 4.7;看重多模态(66 比 56)、数学(65 比 56)和人类偏好(68 比 63)选 Qwen3.8 Max。Grok 4.7 的首次回答更快(55.9 秒 比 119.6 秒)。

要点(截至 2026年11月16日)

  • Grok 4.7 的 BenchLeader Index 为 57.4,Qwen3.8 Max 为 58.7(BenchLeader,2026年11月16日)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 81 项基准测试中,Grok 4.7 领先 45 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Grok 4.7 的评分为 1641,Qwen3.8 Max 为 1676(LMArena,截至 2026年11月16日 的公布数据)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程均可类别得分 61 比 62;Arena WebDev 1641 比 1676均可
智能体与工具调用Qwen3.8 Max类别得分 59 比 57;Terminal-Bench 27.0% 比 38.8%中
数学Qwen3.8 Max类别得分 65 比 56;Arena Maths 1505 比 1447高
推理Grok 4.7类别得分 56 比 52;CritPt v2 hard subset (AA) 33.5% 比 29.5%中
知识Grok 4.7类别得分 60 比 58;AA-Omniscience v1.1 31.2 比 10.5中
长文档Qwen3.8 Max类别得分 65 比 63;AA-LCR v1.1 80.3% 比 76.7%中
图像及其他媒体Qwen3.8 Max类别得分 66 比 56;Arena Vision 1312 比 1230高
对话质量(人类偏好)Qwen3.8 MaxArena 投票 68 比 63中
成本最低均可每百万 token 混合价格 $3.00 比 $3.00;智能体编程会话 $0.144 比 $0.144–
首次回答最快Grok 4.7首个回答 token 55.9 秒(Grok 4.7 (xhigh))比 119.6 秒(Qwen3.8 Max (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Grok 4.7 (xhigh) 与 Qwen3.8 Max (max) 的质量不相上下(57.4 比 58.7,在 ±4.3 的误差范围内)。
  • Grok 4.7 (xhigh) 在综合、知识、推理方面更强。
  • Qwen3.8 Max (max) 在智能体与工具、编程、人类偏好、长上下文、数学、多模态方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.00)。

概览

规格Grok 4.7Qwen3.8 Max
提供商SpaceXAIAlibaba
发布日期2026年9月21日2026年8月3日
上下文窗口(token)500,0001,000,000
对比时的配置Grok 4.7 (xhigh)Qwen3.8 Max (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $6.00 / $0.500$2.00 / $6.00 / $0.250

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Grok 4.7 (xhigh)Qwen3.8 Max (max)领先者
推理55.651.5Grok 4.7
编程60.961.6持平
智能体与工具56.958.5Qwen3.8 Max
数学55.865.2Qwen3.8 Max
知识59.958.0Grok 4.7
人类偏好62.567.5Qwen3.8 Max
多模态55.565.7Qwen3.8 Max
长上下文62.964.8Qwen3.8 Max
综合52.845.0Grok 4.7

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识长上下文多模态人类偏好Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5Grok 4.7, 人类偏好: 62.5Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 多模态: 65.7Qwen3.8 Max, 人类偏好: 67.5

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 81 项基准测试中,Grok 4.7 领先 45 项,Qwen3.8 Max 领先 36 项。第三方来源看法不一:Grok 4.7 在 AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 在 Arena Text 上领先。

综合 IndexGrok 4.7 (xhigh)Qwen3.8 Max (max)领先者
BenchLeader Index57.458.7不相上下
AA Intelligence Index v5.0.135.533.6Grok 4.7
Arena Text14431484Qwen3.8 Max

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Grok 4.7 (xhigh)Qwen3.8 Max (max)
每百万 token 混合价格$3.00$3.00
每百万 token 输入 / 输出$2.00 / $6.00$2.00 / $6.00
每百万 token 缓存输入$0.500$0.250
每项任务价格:聊天回复$0.0026$0.0026
每项任务价格:总结一份 30 页的报告$0.028$0.028
每项任务价格:代码编辑$0.021$0.021
每项任务价格:智能体编程会话$0.144$0.144
每项任务价格:结构化信息提取$0.0052$0.0052
智能体编程会话(输入大多命中缓存)$0.076$0.065
每项基准测试任务成本(AA Index)$7.77$10.02
每项任务输出 token(AA Index)105k171k
其中推理部分69k120k
每项任务耗时(AA Index)26 min48 min
输出速度68 tok/s59 tok/s
首次回答时间55.9 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)145.5 秒294.1 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Grok 4.7 (xhigh) 上花费 $7.77,在 Qwen3.8 Max (max) 上花费 $10.02;完成同样的工作,Qwen3.8 Max (max) 输出的 token 是对方的 1.6 倍,这是只看 token 单价看不出来的。

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 秒)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 167 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Grok 4.7 (xhigh)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader57.458.7
智能体与工具得分BenchLeader56.958.5
编程得分BenchLeader60.961.6
综合得分BenchLeader52.845.0
人类偏好得分BenchLeader62.567.5
知识得分BenchLeader59.958.0
长上下文得分BenchLeader62.964.8
数学得分BenchLeader55.865.2
多模态得分BenchLeader55.565.7
推理得分BenchLeader55.651.5
混合价格(美元/百万 token)BenchLeader$3.00$3.00
输出速度BenchLeader68 tok/s59 tok/s
首次回答时间BenchLeader55.9 秒119.6 秒
上下文窗口BenchLeader500,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%92.7%†
Arena Hard PromptsArena (LMArena)14661507
LiveBench 2.0 ReasoningLiveBench82.7%88.2%
LiveBench 1.0 ReasoningLiveBench82.7%88.2%
GPQA Diamond (AA)Artificial Analysis–92.8%
Humanity's Last Exam (AA)Artificial Analysis43.1%43.1%
HLE-Diamond (AA)Artificial Analysis23.2%24.0%
GPQA Diamond (Vals)Vals AI–93.7%
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize61.4%–
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%20.0%
CritPt v2 hard subset (AA)Artificial Analysis33.5%29.5%
MysteryMechanismVals AI25.2%23.9%
HLE-Diamond (Scale)Scale AI SEAL23.4%†–
Arena ExpertArena (LMArena)14781514
Chess PuzzlesEpoch AI Benchmarking Hub41.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%38.0%†
LMCAEpoch AI Benchmarking Hub49.4%46.2%†
DTBenchEpoch AI Benchmarking Hub96.0%92.0%†
编程
SciCodeSciCode57.4%53.2%
FrontierCodeCognition47.6%†–
Arena CodingArena (LMArena)14931523
Arena WebDevArena (LMArena)16411676
LiveBench 2.0 CodingLiveBench73.1%60.9%
显示全部 167 项基准测试
指标发布方Grok 4.7 (xhigh)Qwen3.8 Max (max)
编程
LiveBench 1.0 CodingLiveBench77.2%72.9%
LiveCodeBenchVals AI–87.8%
IOIVals AI57.7%68.9%
SWE-bench (Vals)Vals AI–85.6%
Code MigrationVals AI44.8%24.0%
Code Migration v1.1Vals AI53.2%–
ProgramBenchVals AI0.5%0.0%
SWE-bench MultimodalVals AI42.9%42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI86.2%64.7%
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE Atlas v1.1Scale AI SEAL62.1%†64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL64.4%†58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†52.9%
MirrorCodeEpoch AI Benchmarking Hub54.4%52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
CursorBenchCursor46.3%–
ALE-BenchEpoch AI Benchmarking Hub1545.81679.1†
FrontierSWEEpoch AI Benchmarking Hub29.5%17.8%†
WeirdML v3WeirdML8.4%–
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise75.9%†71.3%
GameBench 2 OverallDuelLab GameBench 263.6†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 271.269.6†
Design Arena WebsiteDesign Arena1244†1269
FrontierCode 1.1 (AA)Artificial Analysis33.8%43.2%
FrontierCode 2.0 (AA)Artificial Analysis28.7%23.4%
智能体与工具
Terminal-BenchTerminal-Bench38.8%27.0%
APEX-AgentsMercor54.6%†63.3%
Arena AgentArena (LMArena)2.60.1
LiveBench Long AgenticLiveBench45.3%26.6%
LiveBench BrowserLiveBench49.3%49.4%
LiveBench Agentic CodingLiveBench54.0%64.7%
Terminal-Bench 2.1 (Vals)Vals AI73.4%67.4%
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%58.3%
GDPval-AA v2.1Artificial Analysis17171674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis42.1%40.3%
Analyst Agent (AA)Artificial Analysis52.5%45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI69.5%28.6%
Finance Agent v2Vals AI52.3%50.6%
Finance Agent v2.1Vals AI60.6%–
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%–
Harvey's Legal Agent Benchmark v1Vals AI12.5%10.4%
Legal Research BenchVals AI47.1%47.6%
Robo-benchVals AI0.2%–
SkillsBenchVals AI–42.0%
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%32.1%
Terminal-Bench 4.0 (Vals)Vals AI28.8%34.3%
Terminal-Bench ScienceVals AI10.0%12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)5.14.5
Vending-Bench 2Andon Labs10536.8†–
AutomationBenchArtificial Analysis65.6%56.2%
GDP.pdf (AA)Artificial Analysis20.0%22.8%
Harvey LAB-AA v1.1Harvey9.4%–
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis16361604
GDPxGDPx by SemiAnalysis3.9%3.5%
Design Arena AgenticDesign Arena1277†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.4%11.9%
CWE-Bench (AA)Artificial Analysis68.3%–
DeepSec-Bench (AA)Artificial Analysis26.9%–
CyberGym end-to-end (AA)Artificial Analysis74.0%–
MKA (AA)Artificial Analysis40.1%37.4%
FACTS SearchGoogle85.6%†85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub53.0%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.1%100.0%†
ProofBenchVals AI26.0%†58.0%
LiveBench MathematicsLiveBench95.7%91.3%
Arena MathsArena (LMArena)14471505
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%47.3%†
LiveBench 2.0 Data AnalysisLiveBench76.9%78.4%
LiveBench ResearchLiveBench89.5%72.8%
LiveBench 1.0 Data AnalysisLiveBench76.9%78.4%
AA-Omniscience v1.1Artificial Analysis31.210.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI84.4%83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
PRBench LegalScale AI SEAL47.6%–
BioMysteryBenchVals AI69.3%–
Excel Modeling BenchmarkVals AI67.0%60.1%
Excel Modeling Benchmark v1.1Vals AI71.5%66.0%
MedCodeVals AI49.5%40.7%
MedScribeVals AI89.4%85.0%
Public Benefits Bench v1.1Vals AI65.6%67.1%
Access to Justice BenchmarkVals AI73.7%76.4%
Financial Coaching BenchVals AI74.1%75.6%
Immigration BenchVals AI68.0%70.1%
GDP.pdfEpoch AI Benchmarking Hub22.8%23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis42.7%29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis80.0%72.9%
HealthBench Professional (AA)OpenAI55.8%–
FACTS ParametricGoogle54.3%†30.8%
指令遵循
LiveBench LanguageLiveBench80.1%79.7%
LiveBench Instruction FollowingLiveBench75.3%74.1%
Arena Instruction FollowingArena (LMArena)14351478
人类偏好
Arena TextArena (LMArena)14431484
EQ-Bench Creative Writing v3EQ-Bench2012†–
Arena Creative WritingArena (LMArena)14211472
Arena Multi-turnArena (LMArena)14351495
Arena Longer QueriesArena (LMArena)14541496
多模态
Arena VisionArena (LMArena)12301312
LiveBench DesignLiveBench75.0%76.6%
MMMU-ProArtificial Analysis78.2%†82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI88.7%81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
GeoBenchGeoBench61.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub32.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub20.8%20.0%†
VIALS-AAHandshake AI37.9%31.7%
Code2Video-AAArtificial Analysis11271021
AA-3DArtificial Analysis992954
FACTS MultimodalGoogle40.9%†51.5%
长上下文
AA-LCR v1.1Artificial Analysis76.7%80.3%
MLCRArtificial Analysis20.0%26.1%
FACTS GroundingGoogle68.6%†73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†157.6
LiveBench 2.0LiveBench67.9%60.9%
LiveBench 1.0LiveBench77.4%78.5%
AA Intelligence Index v5.0.1Artificial Analysis35.533.6
AA Intelligence Index v4.3.2Artificial Analysis46.545.4
AA Progress Index v1Artificial Analysis322.7323.7
Vals IndexVals AI58.6–
Vals Finance IndexVals AI58.8%–
Vals RSI IndexVals AI20.2%21.8%
Vals Science IndexVals AI34.8%–
Vals Multimodal IndexVals AI–65.4%
Vals Router IndexVals AI58.6%†–
Vals Legal IndexVals AI72.7%–
AA Cyber IndexArtificial Analysis56.4–
安全与诚实
DistressBenchScale AI SEAL52.4%†77.6%

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Qwen3.8 Max (max):6 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项新结果(FACTS Search);1 项分数修订。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Grok 4.7 vs Qwen3.8 Max:常见问题

Grok 4.7 比 Qwen3.8 Max 更好吗?
Grok 4.7 (xhigh) 与 Qwen3.8 Max (max) 的质量不相上下(57.4 比 58.7,在 ±4.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Grok 4.7 和 Qwen3.8 Max 哪个更便宜?价格会变吗?
两者价格相同:每百万 token 混合价格 $3.00。两者均未公布价格调整。
编程用 Grok 4.7 还是 Qwen3.8 Max 更好?
两者在编程方面持平(类别得分 61 比 62)。在两者共同的最主要编程基准测试 Arena WebDev 上,Grok 4.7 为 1641,Qwen3.8 Max 为 1676。
Grok 4.7 和 Qwen3.8 Max 哪个更快?
Grok 4.7 输出更快(输出 68 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.7 还是 Qwen3.8 Max 更好?
Qwen3.8 Max 在智能体任务方面得分更高(类别得分 59 比 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Grok 4.7 为 38.8%,Qwen3.8 Max 为 27.0%。
更多问题(4)
处理长文档哪个更好?
Qwen3.8 Max 在长上下文基准测试上得分更高(65 比 63)。Qwen3.8 Max 支持更长的上下文:1,000,000 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Grok 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 55.9 秒比 119.6 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Grok 4.7 和 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 81 项基准测试中,Grok 4.7 领先 45 项,Qwen3.8 Max 领先 36 项。第三方来源看法不一:Grok 4.7 在 AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 在 Arena Text 上领先。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。