在 Amazon Bedrock 上使用 Grok 4.7 构建长时程智能体

英文原标题：Build long-horizon agents with Grok 4.7 on Amazon Bedrock

本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗

• SpaceXAI 的 Grok 4.7 现已在 Amazon Bedrock 上线，该平台提供多家供应商的基础模型选择。据 SpaceXAI 称，Grok 4.7 经过训练可处理更长时间、更困难的任务，并知道何时检查自己的工作，这对需要多步骤验证的智能体尤为重要。
• Grok 4.7 提供推理努力（reasoning effort）设置，控制每次响应前的思考量，支持 low、medium、high、xhigh 四个级别。在 Bedrock 上，模型支持可配置推理努力、工具调用和结构化输出，并可通过跨区域推理配置文件访问。
• 文章构建了一个工具调用智能体，在三个需要搜索而非简单查找的任务上评估 Grok 4.7：从警报诊断双服务故障、在交互约束下安排维护、在预算内选择最优迁移集。每个任务只有一个正确答案，通过暴力验证。
• 在 72 次智能体运行中（每个任务在每个推理努力级别运行 6 次），智能体正确回答了 67 次。在 xhigh 级别下 18 次全部正确，而在 low 级别下 18 次中正确 15 次，但输出 token 消耗仅约八分之一，提供了可按请求调整的权衡。
• 文章报告 token 数量而非货币成本，因为 token 价格会变化，而 token 计数是成本计算的基础，以 token 表示的测量结果保持有效。

关键数据

• Grok 4.7 在 Terminal-Bench 4.0 多小时终端工作任务上得分 37.6%，Grok 4.6 为 20.3%
• EEBench 电气工程得分 64.0%，Grok 4.6 为 53.0%
• Harvey 法律智能体基准得分 19.6%，Grok 4.6 为 15.8%
• CursorBench 4.0 长时间编码得分 46.3%，Grok 4.6 为 40.4%
• HealthBench Professional 临床推理得分 56.7%，Grok 4.6 为 48.5%
• AA Briefcase v1.1 多小时办公工作得分 1,657，Grok 4.6 为 1,546
• Grok 4.7 上下文窗口为 500K token，支持文本和图像输入、文本输出
• 72 次智能体运行中正确 67 次；xhigh 级别 18/18 正确；low 级别 15/18 正确，输出 token 约为八分之一
• 两个推理配置文件：us.xai.grok-4.7（美国境内）和 global.xai.grok-4.7（商业 AWS 区域）
• 运行使用 max_completion_tokens 限制为 32,768 token

为什么值得看：文章提供了在 Amazon Bedrock 上使用 Grok 4.7 构建长时智能体的实用指南，并通过量化评估展示了不同推理努力级别在准确性与 token 消耗之间的权衡，帮助开发者根据自身任务调整设置。