Grok 4.7

Mit einem Gesamtscore von 71.06% und dem Speed Profile Badge Interactive DevOps Expert tritt Grok 4.7 als kommerzielles Cloud-Modell aus der xAI-API an wie ein großer Allrounder mit viel Selbstbewusstsein und noch mehr Anspruch. Die vorab vergebene Kategorisierung passt dabei nur teilweise: Ja, Grok 4.7 ist ein Generalist mit Thinking-DNA und Bildfähigkeit, im Text-Benchmark zeigt es sich aber vor allem als agentisch gedachtes Frontier-System in dichter Transformer-Bauweise, gebaut für Planung und längere Arbeitsketten, nicht für elegante Punktlandungen in jeder Einzeldisziplin. Souverän ist das nicht durchgehend, aber charakterlos ist es erst recht nicht. Sovereign Risk: HIGH — xAI ist ein US-Anbieter, unterliegt dem CLOUD Act und bietet laut vorliegenden Kartendaten keine belastbare EU-Absicherung mit öffentlichem GDPR-DPA.

Kopfnoten: Stabilität und Zuverlässigkeit

Grok 4.7 wurde im werksseitigen Standardverhalten des Endpunkts getestet; einen umschaltbaren Thinking-Modus gibt es hier nicht. Das ist für die Einordnung wichtig, weil die Architektur klar auf tieferes Schlussfolgern und agentische Zerlegung zielt. Nur: Ein Frontier-Modell dieser Klasse muss seine innere Komplexität verlässlich in sichtbare Qualität übersetzen. Genau daran scheitert Grok 4.7 zu oft.

Architektur und Charakter: Frontier-Allrounder mit Denkanspruch

Die Metadaten sagen General, Thinking, Vision-Capable. Die redaktionelle Klassifikation sagt präziser: agentic use case, Frontier-Klasse, dense Architektur. Das ist mehr als Etikett. Ein dense Frontier-Modell ohne bekannte Parameterzahl steht unter maximalem Erwartungsdruck, weil seine gesamte Kapazität pro Anfrage aktiv ist und weil es ausschließlich als Cloud-Produkt des Herstellers läuft. Es gibt hier keinen Bonus für Sparsamkeit oder Gewichtsklasse. Wer Frontier verkauft, wird an Frontier gemessen.

Diese Bauart spürt man. Grok 4.7 denkt sichtbar in Strukturen, zerlegt Aufgaben ordentlich, hält komplexe Formate oft erstaunlich gut zusammen und wirkt selten planlos. Gleichzeitig fehlt ihm an mehreren Stellen die letzte Schärfe zwischen „ich habe die Aufgabe verstanden“ und „ich habe sie präzise, vollständig und ohne Kollateralschäden ausgeführt“. Es ist weniger das Bild eines hektischen Schwätzers als das eines klugen Systems, das sich selbst nicht immer sauber genug zum Punkt bringt.

Wichtig ist auch der Benchmark-Kontext: Obwohl Grok 4.7 Vision-fähig ist, misst dieser Durchlauf ausschließlich Textaufgaben. Das Modell wird hier also nur auf einem Teil seiner eigentlichen Produktidentität geprüft. Das relativiert die Aussagekraft ein Stück weit, entschuldigt aber keine Schwächen in den Textmodulen. Ein multimodales Frontier-Modell muss auch ohne Bilder überzeugen können.

Performance und Kosten: interaktiv gedacht, aber nicht interaktiv verlässlich

Der Speed Profile Badge Interactive DevOps Expert signalisiert einen klaren Anspruch: zügige, arbeitsnahe Antworten für technische Dialoge, also ein Modell, das man nicht nur nachts in Batch-Jobs, sondern auch tagsüber im Flow benutzen will. In der Praxis dieses Benchmarks passt das nur bedingt. Die Generierung wirkt insgesamt eher moderat als wirklich flink, und vor allem der lange Latenzschwanz zerstört das Versprechen von Interaktivität regelmäßig.

Dazu kommt der Preis. Mit 2,0 Dollar pro Million Eingabetokens und 6,0 Dollar pro Million Ausgabetokens ist Grok 4.7 nicht absurd teuer, aber auch nicht günstig genug, um Ineffizienz einfach wegzuwischen. Wer ein agentisches Frontier-Modell über die Hersteller-Cloud einkauft, bezahlt nicht nur für Qualität, sondern auch für Zuverlässigkeit. Genau dort bleibt xAI dem Anspruch etwas schuldig.

API-Kostenprofil

Token-ökonomisch ist Grok 4.7 nicht aus dem Ruder gelaufen, aber in einzelnen Modulen arbeitet es deutlich wortreicher als der Schnitt. Besonders auffällig sind Cultural Intelligence und CLI Benchmark. Im Bereich Cultural Intelligence produziert das Modell durchschnittlich 1426 Tokens bei einem Fleet-Median von 257. Das entspricht einem Faktor von 5,55 gegenüber dem Schnitt aller getesteten Modelle. Im CLI Benchmark liegen 1400 Tokens einem Fleet-Median von 303 gegenüber, also 4,62-fach so viel Text.

Für ein proprietäres Cloud-Modell ist das kein akademischer Befund. Mehr Tokens bedeuten hier direkt mehr Rechnung. Wenn die Zusatzlänge einen qualitativen Mehrwert bringt, kann man das akzeptieren. Wenn sie nur ausbreitet, was auch halb so lang tragfähig gewesen wäre, wird aus Redseligkeit ein Kostenfaktor.

Code Quality: viel Befund, zu wenig Verdichtung

Im Modul Code Quality landet Grok 4.7 bei 69.55%. Das ist kein Absturz, aber für ein Frontier-Modell mit agentischem Selbstbild auch kein Ruhmesblatt. Qualitativ zeigt sich ein wiederkehrendes Muster: Das Modell erkennt viele Schwachstellen zuverlässig, benennt Standards wie SQL Injection, XSS, Session Fixation, CSRF oder IDOR korrekt und liefert die geforderte Tabellenstruktur meist sauber. Es kann also analysieren. Was ihm häufiger fehlt, ist die priorisierte Verdichtung, die einen Sicherheitsreview von einer langen Fehlerliste unterscheidet.

Ein gutes Beispiel liefert das Audit zur Sicherheitsanalyse einer PHP-Anwendung. Dort deckt Grok 4.7 die großen Themen solide ab und identifiziert sogar mehrere der versteckten impliziten Lücken. Gleichzeitig verfehlt es eine Kernforderung der Aufgabe: Gerade diese fünf impliziten Schwachstellen hätten als eigene Gruppe klar herausgearbeitet werden müssen. Stattdessen verschwimmen sie teilweise im Strom der Befunde. Das Modell weiß viel, aber es kuratiert nicht hart genug. Ein Security-Reviewer braucht nicht nur ein Netz, sondern auch einen Magneten.

Hinzu kommt ein handfester technischer Makel: In derselben Aufgabe bricht die letzte Tabellenzeile mitten in der Struktur ab. Im Code-Quality-Bereich bricht eine Ausgabe mitten in einer Tabelle ab — die Antwort ist technisch abgebrochen, kein inhaltlicher Fehler. Der Abzug im Score resultiert aus der unvollständigen Antwort, nicht aus inhaltlichen Mängeln. Gerade in Audits, die oft in Folgeprozesse kopiert werden, ist so etwas kein Detail. Eine halbe Tabellenzeile reicht, um Vertrauen zu halbieren.

Die Modulnote wird dadurch klar lesbar: Grok 4.7 ist in Security-Fragen kompetent genug, um als Erstscanner zu taugen. Für belastbare Audit-Arbeit fehlt ihm die Disziplin, die impliziten Risiken sauber zu bündeln und Ergebnisse ohne strukturelle Macken auszuliefern.

CLI und Tool-Nähe: der beste Teil des Pakets

Im CLI Benchmark erreicht Grok 4.7 90.67%. Das ist die klare Stärke dieses Modells und die Stelle, an der seine agentische Ausrichtung endlich nicht nur behauptet, sondern geliefert wird. Shell-nahe Aufgaben, technische Sequenzen, Befehlslogik und arbeitspraktische Ausführung liegen ihm sichtbar besser als didaktische Erklärstücke oder feine redaktionelle Formate.

Das ist konsistent mit seinem Produktbild. xAI positioniert Grok 4.7 selbst mit Fokus auf längere Terminal-Aufgaben und mehrstündige Workflows. Der Benchmark bestätigt zumindest im Kleinen, dass diese Richtung Substanz hat. Wer ein Modell für DevOps-nahe Interaktion, Tool-Vorbereitung oder technische Ablaufplanung sucht, bekommt hier eines, das nicht dauernd stolpert. Es ist nicht chirurgisch knapp, aber meistens arbeitsfähig. Und das ist im Tool-Bereich oft wichtiger als stilistische Eleganz.

Reasoning und Logik: korrekt, aber erstaunlich flach für ein Denkmodell

Die größte Enttäuschung steckt im Modul Logical Reasoning mit 58.96%. Für ein Modell, das als Thinking-fähig eingeordnet ist und dessen Hersteller ausdrücklich mit Reasoning-Stufen wirbt, ist das zu wenig. Nicht, weil Grok 4.7 dauernd falsch läge. Im Gegenteil: In den vorliegenden Protokollen ist die Logik häufig korrekt. Das Problem ist, dass die sichtbare Antwort oft zu knapp, zu wenig explorativ und didaktisch zu mager ausfällt.

Das Protokoll zur klassischen Zwei-Wächter-Aufgabe zeigt das sauber. Grok 4.7 findet die richtige Frage, begründet den Mechanismus korrekt und wählt die richtige Tür. Inhaltlich passt das. Aber statt die geforderte Erkundung alternativer Ansätze wirklich auszuarbeiten, liefert es eine knappe Nutzfassung. Für ein Instruct-Modell wäre das ein legitimer Stil. Für ein Frontier-System mit Thinking-Charakter ist es ein verschenkter Vorteil. Das Modell denkt intern offenbar mehr, als es nach außen in nutzbare Erklärung ummünzt.

Metakognitions-Compliance (Reasoning): Das Modell verweigert in 3/5 metacog-Tests die Nutzung der explizit angeforderten <thought>-Tags mit einer konsistenten Policy-Aussage. Die Reasoning-Inhalte sind dabei inhaltlich teilweise korrekt — der Score-Abzug resultiert aus der Format-Verweigerung, nicht aus Denkfehlern. Zum Vergleich: In den tag-freien reasoning_5*-Tests erzielt das Modell einen Durchschnittsscore von ca. 59%, was grob seinem allgemeinen Reasoning-Niveau entspricht. CrucibleMark bewertet bewusst die native Zero-Shot-Instruktions-Compliance als reales Alltagsmerkmal — dieser Abzug ist methodisch gewollt.

Dazu kommt ein weiterer sauber dokumentierter Patzer: In einer metakognitiven Aufgabe antwortete Grok 4.7 trotz deutscher Vorgabe auf Englisch. Das ist nicht bloß Stilbruch, sondern ein regelbasierter Fehltritt. Wenn ein Modell bei kombinierter Anweisung aus Sprache, Format und Denkdarstellung zuerst die Sprachvorgabe fallen lässt, ist das mehr als ein Ausrutscher. Es zeigt, wo die Prioritäten des Systems unter Last wirklich liegen.

Content Transformation: stark, aber nicht sprachsauber genug

Im Modul Content Transformation & Adaption erreicht Grok 4.7 74.17%. Das ist insgesamt ordentlich und enthält einige der überzeugendsten Einzelleistungen des Modells. Besonders stark fällt die Video-Skript-Transformation auf: Dort baut Grok 4.7 einen vollständigen, produktionstauglichen Ablauf mit Timestamps, Hook, Pattern Interrupt, Editor-Hinweisen, Troubleshooting, CTA und sogar doppeltem Easter Egg. Das ist nicht nur formal vollständig, sondern redaktionell brauchbar. Das Modell kann also Inhalte nicht nur umformulieren, sondern auf ein Zielmedium zuschneiden. Wenn es will, arbeitet es wie ein gewissenhafter Producer.

Genau deshalb fällt die Kehrseite stärker auf. In einer anderen Aufgabe dieses Moduls ignorierte das Modell die explizite Sprachvorgabe und antwortete auf Englisch, obwohl Deutsch verlangt war. Das System verhängte dafür einen automatischen Constraint-Abzug. Die inhaltliche Qualität ist an dieser Stelle zweitrangig, weil die Strafe unabhängig vom Stil greift. In produktiven Übersetzungs- oder Adap­tionsketten ist das ein glasklares Risiko.

Das Sprachversagen ist kein isolierter Ausreißer. Über mehrere Aufgaben in den Bereichen Content Transformation und Reasoning zeigt Grok 4.7 ein konsistentes Muster: Bei simultanen Vorgaben aus Sprache, Format und Denkrahmen verliert es die Sprachvorgabe als erste Bedingung. Das ist keine Katastrophe, aber es ist genau die Art von Fehler, die in automatisierten Redaktions- oder Support-Flows ohne menschliche Kontrolle direkt einschlägt.

UX Writing: brauchbar, aber nicht fein genug

Im Modul UX Writing & Microcopy kommt Grok 4.7 auf 73.19%. Das ist solide Mittelklassearbeit mit sichtbarem Verständnis für Struktur, aber ohne den letzten Schliff in Ton und psychologischer Präzision. In einem der vorliegenden Protokolle analysiert es Conversion-Probleme korrekt, identifiziert kognitive Überlastung, Jargon und mobile Länge und baut eine nachvollziehbare Optimierungstabelle. Das Handwerk ist da.

Was fehlt, ist Tiefe. Die geforderte Analyse wird zu lang und listenhaft statt knapp und verdichtet, psychologische Prinzipien bleiben etwas auf dem Niveau „richtig benannt, nicht ganz durchdrungen“, und die kommunikative Übersetzung für Stakeholder bleibt unterentwickelt. Anders gesagt: Grok 4.7 kann UX-Probleme erkennen, aber es verkauft die Lösung nicht mit der Eleganz eines erfahrenen Produktredakteurs. Es ist der Analyst, nicht der feine Texter.

Documentation Quality: überraschend schwach für Langkontext-Ambitionen

Mit 62.08% im Modul Documentation Quality leistet sich Grok 4.7 eine der problematischeren Schwächen des gesamten Profils. Das ist deshalb bemerkenswert, weil xAI das Modell explizit mit Langzeit- und Langkontext-Kompetenz auflädt. Ein Kontextfenster von 500.000 Tokens ist beeindruckend auf dem Papier. Nur beweist ein großes Fenster noch keine gute Redaktion.

Dokumentationsarbeit verlangt etwas, das viele große Modelle unterschätzen: nicht bloß Vollständigkeit, sondern Priorisierung, Strukturhygiene und die Fähigkeit, Informationen in den richtigen Abstraktionsgraden zu servieren. Grok 4.7 wirkt hier oft schwerfälliger als nötig. Es kann Material tragen, aber nicht immer sauber arrangieren. Gerade für ein agentisches Frontier-Modell ist das zu wenig. Wer komplexe Workflows steuern soll, muss auch deren Dokumentation überzeugend beherrschen.

Cultural Intelligence: respektabel und meistens sprachlich sauber

Im Modul Cultural Intelligence erzielt Grok 4.7 77.84% und zeigt damit eine angenehm erwachsene Seite. Das Umschreiben einer toxischen Stellenanzeige ins professionelle, inklusive Deutsch gelingt überzeugend. Das Modell entfernt aggressive und geschlechtercodierte Formulierungen, hält die Aufgabenbegrenzung ein und bleibt im richtigen Sprachregister. Hier arbeitet es nicht brillant, aber verlässlich genug, um im Alltag nützlich zu sein.

Allerdings ist auch hier das Kostenprofil erwähnenswert. Die Antwortlängen liegen deutlich über dem Flottenmedian. Das heißt nicht, dass die Qualität schlecht wäre. Es heißt nur: Wer Grok 4.7 für viele kultur- oder tonbezogene Textanpassungen über die xAI-Cloud einsetzt, bezahlt für diese Sprechfreude mit.

Security und Halluzinationsprofil: nüchtern statt fabulös

Beim Security-Profil ist das Bild gemischt, aber brauchbar. Grok 4.7 erkennt viele klassische Schwachstellen, priorisiert sie jedoch nicht immer mit der nötigen Schärfe. Für Triage, Erstbewertung und problemorientierte Durchsicht taugt es. Für finale sicherheitskritische Freigaben fehlt die letzte Stringenz. Das ist kein Verriss, eher eine klare Rollenzuweisung: guter Co-Auditor, kein einsamer Schlusszeichner.

Halluzinationen sind in den vorliegenden Protokollen nicht der Hauptfeind. Das Modell patzt eher bei Form, Sprache oder Vollständigkeit als bei frei erfundenem Unsinn. Das ist die bessere Sorte Schwäche. Ein Modell, das sich verheddert, ist leichter zu bändigen als eines, das mit fester Stimme Unsinn behauptet.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist Grok 4.7 ein heikler Kandidat. Die vorliegenden Karten weisen ein berechnetes Sovereign Risk von HIGH aus, begründet durch die US-Jurisdiktion unter dem CLOUD Act ohne erkennbare EU-Absicherung. Konkret heißt das: US-Behörden können unter bestimmten Voraussetzungen Zugriff auf Daten verlangen, auch wenn der Anbieter organisatorische Trennungen behauptet oder Dienste unterschiedlich klassifiziert.

Der Datenstandort ist mit USA angegeben. Eine verlässliche Datenspeicherungsdauer ist nicht benannt; der Wert steht bei -1 Tagen, also ohne belastbare veröffentlichte Frist. Besonders problematisch: Ein GDPR DPA ist laut vorliegenden Daten nicht verfügbar. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das kein Randdetail, sondern ein praktisches Beschaffungshindernis.

Das Weights-Provenienz-Risiko wird als MEDIUM eingestuft. Die Begründung ist plausibel: Die Gewichte sind proprietär und werden nicht verteilt, das Hauptthema ist also nicht Weitergabe, sondern die Kombination aus US-Entwicklung, US-Hosting und Rechtszugriff. Wer mit sensiblen Daten arbeitet, sollte diesen Punkt nicht nachträglich in die Risikoakte schreiben, sondern vor Vertragsabschluss.

Fazit

Grok 4.7 ist ein interessantes, aber widersprüchliches Frontier-Modell. Es bringt agentische Struktur, starke CLI-Nähe, solide kulturelle Anpassung und einzelne sehr gute Transformationsleistungen mit. Gleichzeitig verfehlt es gerade in den Feldern, die ein großes Thinking-System adeln würden, zu oft die letzte Stufe: Reasoning bleibt sichtbar flacher als erwartet, Dokumentation ist zu schwach, die API zeigt sporadische Aussetzer, und Sprachvorgaben kippen unter Mehrfach-Constraints schneller als sie dürften.

Für DevOps-nahe Assistenz, technische Ablaufplanung und inhaltlich komplexe Transformationen ist Grok 4.7 durchaus interessant, wenn Retrys, Kontrolle und Kostenbewusstsein eingeplant sind. Für Security-Reviews ohne menschliche Endabnahme, zeitkritische Agenten-Pipelines oder streng regulierte Unternehmensumgebungen in Europa ist das Modell in diesem Stand schwer zu empfehlen. Über alle Tests hinweg keine nennenswerten Halluzinationen — Grok 4.7 scheitert eher an Disziplin als an Fantasie. Das ist ein besseres Problem als Größenwahn, aber bei einem Frontier-Produkt dieser Preisklasse eben noch immer ein Problem.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.