«Усилие стоит выставлять явно, а не наследовать по умолчанию»: Grok 4.7 стала доступна в Amazon Bedrock

Что объявила AWS

28 сентября 2026 года AWS сообщила, что Grok 4.7 от xAI стала доступна в Amazon Bedrock — frontier-модель для программирования, длительных агентных задач и работы со знаниями. Модель отдаётся на эндпоинте bedrock-runtime через cross-Region inference profiles и поддерживает Responses, Chat Completions и Converse API.

Окно контекста — 500K токенов, reasoning effort настраивается на четырёх уровнях: low, medium, high и xhigh, а на вход модель принимает текст и изображения. Обращение идёт не к произвольному идентификатору модели, а к профилю: us.xai.grok-4.7 для гео-профиля США или global.xai.grok-4.7 для глобального. Карточка модели фиксирует дату запуска в Bedrock — 28 сентября 2026 года, статус жизненного цикла Active и завершение поддержки не раньше 28 сентября 2027 года.

Что xAI говорит о самой модели

По описанию xAI — в своих материалах компания выступает под брендом SpaceXAI — Grok 4.7 является её самой способной моделью для программирования и работы со знаниями: она дольше работает над сложными задачами и тщательнее проверяет собственную работу. Тема здесь — выносливость, а не чистая скорость.

Модель построена на новой, более крупной базовой модели, которую обучали более длинным прогоном обучения с подкреплением на более сложной смеси задач со смещением в сторону проблем, требующих многих часов работы. Отсюда два следствия, которые xAI называет прямо: лучше самопроверка и более эффективное использование длинного контекста.

Отдельно компания отмечает нативное понимание harness Grok Bot, а также более сильную генерацию документов и презентаций.

Независимые оценки

AWS приводит и независимый ориентир: Artificial Analysis считает собственную композитную Intelligence Index, поэтому её цифры идут вторым рядом с результатами xAI. По этому срезу Grok 4.7 улучшается относительно Grok 4.6, причём заметнее всего — на длительной агентной работе со знаниями и на кодинг-агентах в собственном harness xAI.

Главная практическая деталь в таблице AWS — её последняя строка: прирост приходит вместе с примерно двукратным расходом выходных токенов на задачу. Именно поэтому AWS советует выставлять уровень усилий осознанно, а не наследовать значение по умолчанию.

Как это устроено в Bedrock

Модель OpenAI-совместима, поэтому Responses и Chat Completions доступны через OpenAI SDK по пути /openai/v1. Аутентификация разведена по путям: bearer-токен обслуживает OpenAI-совместимые вызовы, а Converse подписывается SigV4 обычными учётными данными AWS. В продакшене AWS советует краткосрочные bearer-токены, которые выпускаются из IAM и истекают автоматически, вместо долгосрочного ключа, годного только для экспериментов.

Промпт-кэширование работает неявно: повторяющиеся префиксы промпта, в том числе большой системный промпт или документ, который агент пересылает на каждом ходу, тарифицируются по кэш-ставке. Guardrails подключаются по ID и версии и применяют фильтры контента, запрещённые темы, редакцию PII и политики слов и к промпту, и к ответу. Structured outputs ограничивают ответ JSON Schema, а invocation logging пишет каждый вызов в CloudWatch вместе с числом токенов, включая reasoning-токены.

Reasoning активен всегда, а содержимое рассуждений зашифровано: его можно вернуть через include: ["reasoning.encrypted_content"] и отправить обратно на следующих ходах. Chat Completions API reasoning-токены не возвращает, а на Converse уровень усилий задаётся через additionalModelRequestFields. По умолчанию уровень — high, и AWS предупреждает, что на чувствительных к задержке или высоконагруженных вызовах это значение потратит больше reasoning-токенов, чем нужно.

Разница между уровнями не сводится к длине размышления: короткие извлечения и классификация относятся к low, а многошаговое планирование и длинные агентные траектории — к high и xhigh. Маршрутизация идёт через один из двух cross-Region профилей.

Глобальный профиль направляет запрос в любой поддерживаемый коммерческий регион AWS, распределяя нагрузку, и стоит дешевле гео-профиля. Плата за это — меньший контроль над тем, где обслуживается запрос, и потенциально более переменная задержка, тогда как гео-профиль США держит обработку в пределах страны и закрывает требования к резидентности данных. Для bedrock-runtime в карточке модели заявлены только Geo (US) и Global cross-Region inference — in-Region вариант не поддерживается.

Права приходится выдавать отдельно: bedrock:InvokeModel проверяется по трём ресурсам — проекту по умолчанию, указанному inference profile и самой foundation model, а профили лимитируются по отдельности, поэтому политика на us.xai.grok-4.7 не покрывает global.xai.grok-4.7. Bearer-токенам нужен дополнительный bedrock:CallWithBearerToken.

Цена и уровни обслуживания

Цена считается за миллион токенов и зависит от профиля: на гео-профиле США это $2,20 за вход, $6,60 за выход и $0,55 за чтение из кэша, на глобальном — $2,00, $6,00 и $0,50 по уровню Standard. Кроме Standard есть Priority с наценкой 75% к стандартной ставке и Flex со скидкой 50% для нагрузок, не чувствительных ко времени.

Это цены Bedrock; сам xAI держит собственную цену от $2 за миллион входных и $6 за миллион выходных токенов и предлагает быстрый вариант с вдвое большей скоростью вывода за вдвое большую цену. Модель заявлена в 28 регионах, включая us-east-1, eu-central-1, ap-northeast-1, ap-south-1 и sa-east-1.

Безопасность

xAI говорит, что Grok 4.7 собран на полностью новом стеке защитных механизмов и стал сильнейшей из протестированных компанией моделей по отказам и устойчивости к jailbreak. В двойных по назначению областях, включая кибербезопасность и биологическую работу, компания заявляет лидерство и по полезности для безобидных задач, и по безопасному отказу.

По её данным, модель пропускает лишь небольшую долю рискованных двойных промптов, редко блокируя легитимную защитную работу, а избранным партнёрам открыт доступ по приглашению к red-team возможностям для оборонных исследований. AWS пересказывает те же заявления и добавляет аргумент для агентов: модель, которая проверяет собственный вывод, реже отказывает катастрофически на длинных траекториях, где ранняя ошибка накапливается на каждом следующем шаге.