AWS lägger till xAI:s Grok 4.7 på Amazon Bedrock med 500 000 tokeners kontextfönster

Amazon Web Services meddelade den 28 september 2026 att xAI:s Grok 4.7‑modell är tillgänglig på Amazon Bedrock och läggs till i Bedrock‑modellkatalogen med ett kontextfönster på 500 000 token, stöd för text‑ och bildinmatning samt fyra konfigurerbara resonemangs‑insatsnivåer. AWS Machine Learning Blog‑annonsering beskriver Grok 4.7 som en banbrytande modell byggd för kodning, långvariga agenter och kunskapsarbete.

xAI lanserade först Grok 4.7 den 21 september 2026 i en lanseringsannons som gjorde modellen tillgänglig i Cursor och Grok Build samt via Grok‑API:t, tredjeparts kodnings‑harnesser och modell‑routrar och molnplattformar. I den annonsen prissatte xAI modellen med $2 per miljon inmatningstoken och $6 per miljon utmatningstoken, och uppgav att den erbjuder en snabb variant med dubbelt så hög utmatningshastighet för dubbelt så hög kostnad.

Vad xAI säger att Grok 4.7 är byggd för

Enligt xAI, enligt AWS‑inlägget, är Grok 4.7 deras mest kapabla modell för kodning och kunskapsarbete, med fokus på uthållighet snarare än rå hastighet: modellen arbetar längre på svåra uppgifter och kontrollerar sitt eget arbete noggrannare innan den går vidare. xAI rapporterar att Grok 4.7 använder en ny, större basmodell som tränats genom en längre förstärkningsinlärningsprocess över en tuffare blandning av uppgifter, med vikt mot problem som tar många timmar att slutföra. xAI tillskriver den träningen två förmågor: bättre verifiering av modellens eget arbete och mer effektiv användning av dess 500 000 tokeners kontextfönster på långa uppgifter. xAI säger också att de tränade modellen att naturligt förstå Grok Bot‑harnessen, vilket de krediterar för förbättringar i konversationsuppgifter och allmänt kunskapsarbete.

xAI rapporterar dessutom starkare dokument- och presentationsgenerering och beskriver förbättringar i professionellt kunskapsarbete av den typ som utförs av jurister, sjuksköterskor och finansanalytiker. Deras publicerade utvärderingar omfattar mjukvaruutveckling med CursorBench och DeepSWE, fler timmars terminal‑ och kontorsarbete med Terminal‑Bench och AA‑Briefcase, elektroteknik med EEBench, juridiskt arbete med Harvey Legal Agent Benchmark samt kliniskt resonemang med HealthBench Professional.

Oberoende utvärderingssiffror

AWS‑inlägget hänvisar också till Artificial Analysis, som de beskriver som att de kör egna utvärderingar istället för att förlita sig på utvecklare‑rapporterade siffror. I dessa resultat får Grok 4.7 ett Intelligence Index på 46 jämfört med 44 för Grok 4.6, ett Coding Agent Index på 56 jämfört med 47, ett AA‑Briefcase‑Elo på 1 657 jämfört med 1 546, ett GDPval‑AA‑Elo på 1 695 jämfört med 1 605 och ett AA‑Omniscience Index på 32 jämfört med 30, med en hallucinationsgrad på 29 % jämfört med 34 %. Artificial Analysis mätte Grok 4.7 med sin xhigh‑resonemangsinsats och Grok 4.6 på den insatsnivå som de rapporterade för varje mått.

Inlägget markerar avvägningen i den sista raden i tabellen: Grok 4.7 använde ungefär 81 000 utmatningstoken per Intelligence Index‑uppgift, jämfört med cirka 38 000 för Grok 4.6, vilket inlägget beskriver som ungefär dubbelt per uppgift och en anledning att medvetet sätta insatsnivån snarare än att ärva standardvärdet.

Säkerhet och cybersäkerhet

Enligt xAI byggdes Grok 4.7 med en helt ny skyddsstapel och är den starkaste modell de har testat när det gäller avslag och motstånd mot jailbreak. xAI formulerar målet i dubbelanvändningsområden såsom cybersäkerhet och biologiskt arbete som att modellen ska förbli användbar för legitima uppgifter samtidigt som den avvisar farliga. Inom cybersäkerhet specifikt rapporterar xAI att modellen endast tillåter en liten andel riskfyllda dubbelanvändnings‑promptar medan den sällan blockerar legitimt säkerhetsarbete, och att de har börjat ge utvalda cybersäkerhetspartners exklusiv inbjudningsbaserad åtkomst till Grok 4.7:s red‑team‑funktioner för försvarsforskning.

Hur Grok 4.7 paketeras på Amazon Bedrock

På Bedrock accepterar Grok 4.7 text‑ och bildinmatning och returnerar text. Modellen levereras via bedrock-runtime‑endpointen genom tvär‑region‑inferensprofiler, så förfrågningar anger en profil snarare än ett rent modell‑ID: us.xai.grok-4.7 för den amerikanska geografiska profilen eller global.xai.grok-4.7 för den globala profilen, båda på /openai/v1‑sökvägen under bas‑URL:en för bedrock-runtime. Grok 4.7 stöder Responses‑API:t, Chat Completions‑API:t, InvokeModel och Converse‑API:t.

Eftersom modellen är OpenAI‑kompatibel fungerar OpenAI‑SDK:t mot /openai/v1‑sökvägen med en bärartoken, som kan vara antingen en Amazon Bedrock‑API‑nyckel eller en kortlivad token utfärdad från AWS Identity and Access Management (IAM)‑uppgifter. AWS‑SDK:erna når samma modell via Converse och signerar förfrågningar med vanliga AWS‑uppgifter.

Modellen ansluter också till standardfunktioner i Bedrock. Implicit prompt‑cachning tillämpas automatiskt på upprepade prompt‑prefix, så agenter som åter skickar en stor systemprompt eller referensdokument vid varje tur betalar det cachade priset för det prefixet. Bedrock Guardrails fästs via ID och version på förfrågan och applicerar innehållsfilter, förbjudna ämnen, radering av personligt identifierbar information samt ordpolicyer på både prompten och svaret. Strukturerade utdata begränsar ett svar till ett JSON‑schema så att efterföljande kod kan parsas direkt, och anropsloggning fångar varje anrop i Amazon CloudWatch med förfrågan, svaret och token‑räkningar inklusive resonemangstoken.

Routningsprofiler, tjänstenivåer och åtkomst

Global-profilen dirigerar varje begäran till någon stödjande kommersiell AWS-region, sprider belastningen över mer kapacitet och är prissatt under en geografisk profil. Inlägget noterar att kompromissen är mindre kontroll över var en given begäran betjänas, vilket kan innebära mer variabel latens. US-geografiska profilen håller bearbetningen inom den amerikanska geografin och uppfyller amerikanska krav på datalagringsplats.

Tre servicetier erbjuds. Standard är betalning per token utan åtagande; Priority levererar snabbare, prioriterad bearbetning för en premie; och Flex ger lägre kostnad för åtkomst för arbete som inte är tidskritiskt. Prissättningen per token för de olika tierna finns på Amazon Bedrock-prissättningssidan.

Innan ett första anrop bekräftar användarna att modellen är tillgänglig för dem i Bedrock-konsolen för den AWS-region de planerar att använda. När det gäller behörigheter utvärderas bedrock:InvokeModel mot tre resurser: kontots standardprojekt, den namngivna inferensprofilen och den underliggande grundmodellen, vars Amazon Resource Name är wildcardad över regioner eftersom profiler som sträcker sig över regioner dirigerar utanför den anropande regionen. Autentisering med bärare-token kräver dessutom bedrock:CallWithBearerToken, och profiler är avgränsade individuellt, så en policy som namnger US-profilen täcker inte Global-profilen.

Resonemang är alltid aktivt på Grok 4.7. Ansträngning ställs in via resonemangsparametern på Responses API eller via additionalModelRequestFields på Converse, med hög som standard. Resonemangsinnehåll är krypterat; det kan returneras genom att skicka include: \”reasoning.encrypted_content\” i en Responses API-förfrågan och sedan skickas tillbaka i efterföljande turer för att ge modellen sitt eget tidigare resonemang som kontext i en flerstegs‑konversation. Chat Completions API returnerar inte resonemangstoken.

Inlägget rekommenderar att behandla en långsiktig Amazon Bedrock API-nyckel som en enbart utforskningsbehörighet, använda kortlivade bärare-token som genereras från IAM-referenser för produktion, och radera en utforskningsnyckel från Bedrock-konsolen när den inte längre behövs.