ARC Prize 公布 Grok 4.7 三项基准成绩

@SpaceXAI - 排行榜：https://arcprize.org/leaderboard - 复现公开结果：https://github.com/arcprize/arc-agi-benchmarking - 测试政策：https://arcprize.org/policy - Grok 4.7 完整结果：https://arcprize.org/results/xai-grok-4-7

@SpaceXAI Grok 4.7 的推理 token 用量与其 ARC-AGI-2 公开得分相关：low 档平均每次测试对尝试用 10k token，得分 25%；而 medium 到 xhigh 档为 86k 到 120k token，得分 57.5% 到 60%。low 档更低的 token 用量可能有助于解释其更低的得分。

Grok 4.7 在 ARC-AGI-2 semi-private 任务的中、高、xhigh 推理档位上，平均推理 token 用量均高于 Grok 4.6，导致每任务成本上升。

ARC Prize 公布 xAI Grok 4.7 在 ARC-AGI-2 上的最佳得分为 61.4%，单任务成本 2.01 美元；Grok 4.6 为 67.1%，单任务成本 0.76 美元。在输入与输出 token 定价相同的情况下，Grok 4.7 的单任务成本上升 166%。完整结果见 https://arcprize.org/results/xai-grok-4-7。

@SpaceXAI 在 ARC-AGI-3 上，Grok 4.7 在标准测试框架中得分 1.8%（对比 Grok 4.7 的 2.1%），该框架允许模型在轮次之间保留笔记；在新的 provider adapter 测试框架中得分 10.0%，该框架保留不透明推理并启用自动压缩。

ARC Prize 公布 SpaceXAI 的 Grok 4.7 在 ARC-AGI 上的验证成绩：ARC-AGI-3 为 1.8%（标准 harness，$2.7k）和 10.0%（provider adapter harness，$4.8k），ARC-AGI-2 为 61.4%（$2.01/task），ARC-AGI-1 为 90.2%（$0.64/task）。ARC Prize 指出，Grok 4.7 在 ARC-AGI-1 上高于 Grok 4.6，但在 ARC-AGI-2 和 ARC-AGI-3 上低于 Grok 4.6。