Grok 4.7: olcsó frontmodell vagy csak olcsó? Bemutató, benchmarkok, előnyök és hátrányok

A SpaceXAI, vagyis a korábbi xAI, amerikai idő szerint 2026. szeptember 21-én adta ki a Grok 4.7 nevű nyelvi modellt, amelyet a bejelentésében az eddigi legképesebb modelljének nevez. A hír legérdekesebb része mégsem a jelző, hanem az árcédula: a Grok 4.7 millió bemeneti tokenenként 2 dollárba, millió kimeneti tokenenként 6 dollárba kerül, pontosan annyiba, mint az elődje. A token a nyelvi modellek elszámolási egysége, nagyjából egy szótöredéknyi szöveg, az API-díjakat ebben mérik. Összehasonlításképp az OpenAI GPT-6 Astra és az Anthropic Claude Fable 5.1 modellje 10 dollárt kér a bemenetért és 50 dollárt a kimenetért, így a kimeneti oldalon a Grok 4.7 listaára ezeknek alig a nyolcada.

Az olcsóság persze csak akkor ér valamit, ha a teljesítmény is rendben van, itt pedig már árnyaltabb a kép. A Grok 4.7 az Artificial Analysis független mérésén 46 pontot ért el, amivel a SpaceXAI bekerült a négy legerősebb AI-labor közé, a GPT-6 Astra és a Claude Fable 5.1 azonban 53 ponton áll, a szeptember 22-én megjelent Claude Opus 5.5 pedig 58 ponton. Ráadásul a Grok 4.7 egy-egy feladaton jóval több tokent termel, mint a riválisai, így a számlán az árelőny egy része elpárolog. A folytatásban 2026. szeptember 22-i állapot szerint végigvesszük a benchmarkokat, a forintosított valós költséget, az adatkezelési és hírnévbeli kérdéseket, végül azt is, kinek ajánljuk a modellt és kinek nem.

Röviden

• A Grok 4.7 a SpaceXAI (korábban xAI) 2026. szeptember 21-én kiadott gondolkodó nyelvi modellje, amely a Grok 4.6-nál nagyobb alapmodellre épül és elsősorban hosszú kódolási, mérnöki és irodai tudásmunkára készült.
• Az Artificial Analysis Intelligence Indexén 46 pontot ért el, 2 ponttal többet az elődjénél, ez azonban 7 ponttal elmarad a GPT-6 Astra és a Claude Fable 5.1 eredményétől, a Claude Opus 5.5 58 pontjától pedig 12 ponttal.
• Az API-ár változatlanul 2 dollár bemenet és 6 dollár kimenet millió tokenenként, ami kerekített 320 Ft-os dollárárfolyammal 640 Ft-ot, illetve 1 920 Ft-ot jelent, a gyorsított változat ennek a duplájába kerül.
• A modell a legmagasabb (xhigh) gondolkodási szinten feladatonként körülbelül 81 ezer kimeneti tokent használ, a GPT-6 Astra 27 ezret, ezért saját becslésünk szerint a Grok 4.7 kimeneti árelőnye az Astrával szemben a papíron látható 8,3-szorosról a gyakorlatban nagyjából 2,8-szorosra olvad.
• Erőssége a gyártói mérések szerint a jogi és a villamosmérnöki ügynöki munka, a független mérések szerint a szakmai elemzés, gyengesége a parancssoros ügynöki munka: a Terminal-Bench 4.0 teszten mérési módtól függően 26 és 38% között teljesít, a vezető modellek 55 és 66% között.
• A modellt költségérzékeny, nagy volumenű és emberi ellenőrzéssel futó feladatokra, illetve a Cursorban dolgozó fejlesztőknek érdemes kipróbálni, kritikus, önállóan futó ügynököknél és európai adatfeldolgozási garanciát igénylő személyes adatoknál azonban ma nem ez az első választás.

Mi az a Grok 4.7 és mi változott a Grok 4.6-hoz képest?

A Grok 4.7 a SpaceXAI gondolkodó (reasoning) nyelvi modellje, amely szöveget és képet fogad, válaszként szöveget ad. A Grok 4.6-hoz képest nagyobb alapmodellre épül, hosszabb megerősítéses tanítást kapott nehéz, többórás feladatokon, jobban ellenőrzi a saját munkáját és jobban kezeli a hosszú kontextust, a tokenára viszont nem változott.

A gondolkodó modell olyan nyelvi modell, amely a válasz előtt belső gondolatmenetet generál, ezt a munkát pedig gondolkodási tokenekben mérik és a kimeneti tokenekkel együtt számlázzák. A megerősítéses tanulás (reinforcement learning) olyan tanítási módszer, amelyben a modell jutalmat kap a sikeresen megoldott feladatokért, így fokozatosan azt a viselkedést erősíti, amely célba ér. A SpaceXAI hivatalos bejelentése szerint a Grok 4.7-nél ezt a szakaszt kifejezetten a nehezebb, időigényes feladatokra hosszabbították meg, azzal a céllal, hogy a modell az órákig tartó kódolási és mérnöki munkában is tartsa az irányt.

A bejelentés szerint a Grok 4.7-et arra is tanították, hogy natívan értse a Grok Bot keretrendszert, a SpaceXAI saját beszélgetős ügynöki környezetét, amitől a cég jobb teljesítményt vár a párbeszédes és a tudásmunkát igénylő feladatokban. A modellkártya szerint az előtanítás adatai 2026 júniusáig tartanak, a kiegészítő tanításé augusztusig, míg a fejlesztői dokumentáció 2026 májusát jelöli meg a modell tudásának határaként. A gyakorlatban mindkét esetben igaz, hogy a legfrissebb eseményekről a modell csak webes kereséssel értesülhet.

A kontextusablak, vagyis az egy menetben feldolgozható szövegmennyiség az Artificial Analysis szerint változatlanul 500 000 token, ami elég egy vaskos szerződéscsomaghoz vagy egy közepes kódbázis jelentős részéhez. A MarkTechPost összefoglalója szerint a gondolkodás mélysége négy fokozatban állítható (low, medium, high és xhigh, alapértelmezetten high), emellett a modell tud függvényt hívni, a weben és az X-en keresni, valamint kódot futtatni. A Decrypt 2,1 billió paraméteres méretről és SpaceX-es mérnöki adatokkal kiegészített tanításról is írt, a hivatalos modellkártya azonban ezt nem erősíti meg: a paraméterszámot nem közli, a tanítóadatoknál pedig csak általánosságban említ magas minőségű mérnöki szövegkorpuszokat.

A modellkártya a rendeltetést is kijelöli: mérnöki és kreatív munka, tudományos kutatás, a kritikus infrastruktúra védelme és AI-kutatás. Ugyanitt olvasható egy mondat, amelyet minden cégvezető kiragaszthatna a monitorja szélére: a Grok 4.7 nem arra készült, hogy az orvoslásban, a jogban, a pénzügyekben vagy biztonságkritikus rendszerekben megfelelő emberi felügyelet és szakértői ellenőrzés nélkül hozzon önálló, nagy tétű döntéseket.

Ki az a SpaceXAI és miért nem xAI?

A Yahoo Finance júliusi beszámolója szerint a SpaceX 2026 februárjában felvásárolta az xAI-t, a Grok chatbottal és az X közösségi platformmal együtt. Elon Musk májusban jelentette be, hogy az xAI önálló cégként megszűnik és beolvad a SpaceX-be, az AI-termékek pedig SpaceXAI márkanéven futnak tovább, a névváltás júliusban új logóval és új X-felhasználónévvel zárult le. A Grok név megmaradt, a fejlesztői dokumentáció és az API továbbra is az x.ai domainen érhető el, így a meglévő integrációkat a márkaváltás nem érinti. A források felváltva használják a két nevet, ebben a cikkben is ugyanazt a céget jelölik. A megjelenés dátumában is eltérnek (szeptember 21. vagy 22.), ennek okát a cikk végi kérdések között magyarázzuk.

Grok 4.7 benchmarkok: Intelligence Index 46, DeepSWE 71–73% és a Terminal-Bench-lemaradás

A benchmark olyan szabványos tesztsor, amelyen a modellek teljesítményét összemérik. Az Artificial Analysis független elemzőcég, amely azonos feltételekkel méri a különböző gyártók modelljeit. Az Intelligence Index nevű összesített mutatója számos teszt eredményét sűríti egyetlen számba. A Grok 4.7 ezen 46 pontot ért el, 2-vel többet, mint a Grok 4.6.

Az élmezőnytől ugyanakkor érezhető a távolság. Az OfficeChai által idézett Artificial Analysis-adatok szerint a szeptember 22-én bemutatott Claude Opus 5.5 58, a GPT-6 Astra és a Claude Fable 5.1 53, a Claude Opus 5 pedig 51 ponton áll. Az alábbi táblázatban a gyártói és a független adatokat külön jelöljük, mert ugyanaz a teszt eltérő futtatási környezetben eltérő számot ad.

A független számok az Artificial Analysis méréséből származnak (a Claude-modelleknél és a Terminal-Bench-sorban az OfficeChai és a The Decoder közlése alapján), a gyártói adatok a SpaceXAI bejelentéséből és modellkártyájából (a Fable 5.1 DeepSWE-eredménye is innen), az OpenAI-tól és az Anthropictól. A GDPval-sorban a Grok-számok az Artificial Analysis, a többi az Anthropic méréséből jön, ezért ez a sor csak tájékoztató jellegű.

Miért kering három különböző Terminal-Bench-szám?

A Terminal-Bench 4.0 azt méri, mennyire boldogul egy AI-ügynök a parancssorban, vagyis mennyire tud egy valódi terminálban programot telepíteni, beállítást módosítani, hibát keresni és javítani. A SpaceXAI saját mérése xhigh szinten 38,0%-ot ad (a modellkártyán így szerepel, a bejelentés táblázatában 37,6%). Az Artificial Analysis Coding Agent Indexében, ahol a modellek a gyártójuk saját ügynöki környezetében futnak (a Grok esetében ez a Grok Build nevű parancssoros kódolóügynök), 33% az eredmény. A The Decoder és a tbreak által idézett, az Intelligence Indexhez tartozó mérésen pedig csak 26%, ahol a GPT-6 Astra 60%-ot, a Claude Fable 5.1 55%-ot ért el, sőt a DeepSeek-V4.1-Flash is megelőzte a Grok 4.7-et 27%-kal.

A különbséget nagyrészt a harness magyarázza. Ez az a keretprogram, amely a modellt eszközökkel, lépéskorláttal és időkerettel látja el, az ügynöki teszteken pedig komolyan befolyásolja az eredményt. Saját olvasatunk szerint az Intelligence Index egységes környezetében a Grok 4.7 nem támaszkodhat a rá hangolt eszközkészletre. Ezt jelzi az is, hogy az Artificial Analysis ott mindössze 4,5 százalékpontos javulást mért az elődhöz képest, a Grok Builddel futtatott Coding Agent Indexben viszont 15 százalékpontosat, 18-ról 33%-ra.

A gyakorlati tanulság: ha a Grok 4.7-et a Cursorban vagy a Grok Buildben használod, a jobbik számokra számíthatsz, ha viszont egy saját, általános ügynökkeretbe (például egy n8n-munkafolyamatba) kötöd be, inkább a 26%-hoz leszel közelebb. A versenytársaknál is van szórás, hiszen a Claude Opus 5.5 az Anthropic mérésén 66,4%-ot, az Artificial Analysisén 59,6%-ot hozott, a GPT-6 Astra az OpenAI szerint 57,9%-ot, a független mérésen 60%-ot. Akárhonnan nézzük, a Grok 4.7 és a mezőny eleje között a parancssoros ügynöki munkában mérési módtól függően nagyjából 18 és 34 százalékpont közötti rés tátong.

Hol erős a Grok 4.7?

A valódi szoftverhibák javítását mérő DeepSWE v1.1 teszten a Grok 4.7 már ott van az élmezőnyben: a SpaceXAI szerint 71,0%, az Artificial Analysis Coding Agent Indexében 73% az eredménye. Ez a GPT-6 Astra 74,1%-ához és a Claude Fable 5.1 70,0%-ához mérhető, a Meta Muse Spark 1.3 modellje a Meta mérése szerint 75,4-es eredménnyel ennél is előrébb jár. A teljes Coding Agent Indexben a Grok 4.7 56 pontot ért el (9-cel többet, mint az elődje), amivel a saját keretrendszerükben mért modellek között a Claude Fable 5.1, a GPT-6 Astra és a Claude Opus 5 mögött a negyedik.

A SpaceXAI által közölt két szakmai teszt kifejezetten jól áll a modellnek. A Harvey Legal Agent Benchmark jogi ügynöki feladatain 19,6%-ot ért el, a Claude Fable 5.1 6,7%-ával és a GPT-5.6 Sol 2,5%-ával szemben, a villamosmérnöki EEBench-en pedig 64,0%-ot, ami 11 százalékponttal jobb a Grok 4.6-nál és megelőzi a Fable 5.1 56,4%-át. A jogi teszten ugyanakkor a 19,6% abszolút értékben azt jelenti, hogy a feladatok négyötödét a Grok 4.7 sem oldotta meg. Az EEBench-en pedig a Decrypt beszámolója szerint a SpaceXAI táblázatából kimaradt GPT-6 Astra még jobb eredményt ért el.

A tudásmunkát mérő két Elo-alapú teszten is látványos a javulás. Az Elo a sakkból ismert pontrendszer, amely páros összehasonlításokból számol erősorrendet. A GDPval-AA, amely gazdaságilag értékes szakmai feladatokon méri a modelleket, 1 695 pontot adott a Grok 4.7-nek, 90-nel többet, mint az elődjének, az AA-Briefcase pedig 1 657 pontot (111-gyel többet). Az utóbbi bontása különösen beszédes, mert az elemzési minőségre 1 994, a tálalásra viszont csak 1 499 Elo jutott. Magyarán a Grok 4.7 okosan gondolkodik, a kész anyag formája és szerkezete azonban gyengébb, vagyis egy ügyfélnek szánt ajánlatnál a tartalmat nyugodtan kérheted tőle, a végső formába öntést inkább bízd emberre vagy más eszközre.

A biztonsági oldalon a SpaceXAI a Grok 4.7-et a visszautasítások és a jailbreak-ellenállás terén az eddigi legerősebb modelljének nevezi. A jailbreak olyan trükkös utasítás, amellyel a felhasználó a modell védőkorlátait próbálja megkerülni. A modellkártya szerint a szokásos jailbreak-kísérletek 0,01%-ában engedett, a HackerBench v0.3 kockázatos, kettős felhasználású kiberbiztonsági kéréseinek 3,3%-át teljesítette, a jogos biztonsági kérések közül viszont xhigh szinten egyet sem utasított el.

Hol esett vissza vagy maradt gyenge?

Az Artificial Analysis mérése nem hozott mindenhol javulást. A hosszú kontextusú érvelést mérő AA-LCR teszten a Grok 4.7 3,7 százalékponttal rosszabbul teljesített az elődjénél, ami azért meglepő, mert a SpaceXAI éppen a hosszú kontextus jobb kezelését emelte ki. Az üzleti automatizálást mérő AutomationBench-AA-n, amelyet az Artificial Analysis a Zapierrel közösen fejlesztett, 1,1 százalékponttal esett vissza. Egy KKV számára ez az egyik legbeszédesebb teszt, hiszen pénzügyi, HR-, marketing-, értékesítési és ügyfélszolgálati folyamatokat szimulál.

A hallucináció, vagyis a magabiztosan tálalt téves válasz terén javult a modell, de van még hova fejlődnie. Az AA-Omniscience teszten a hallucinációs arány 34%-ról 29%-ra csökkent, miközben a pontosság 48%-ról 47%-ra csökkent, az összesített Omniscience Index pedig 30-ról 32-re nőtt. Leegyszerűsítve a Grok 4.7 ritkábban vág rá rossz választ, amikor nem tudja a helyes megoldást, a tényszerű tudása azonban nem lett nagyobb, ezért a tényállításait továbbra is ellenőrizni kell.

A harmadik gyenge pont a bőbeszédűség. Az Artificial Analysis szerint a Grok 4.7 xhigh szinten egy Intelligence Index-feladatra átlagosan körülbelül 81 ezer kimeneti tokent költ, 125%-kal többet, mint a Grok 4.6 high szinten (36 ezer), a GPT-6 Astránál (27 ezer) pedig 196%-kal többet. Egy feladat átlagosan 7,1 percig tart, a kimeneti sebesség hosszú promptoknál nagyjából 188 token másodpercenként. A modell tehát alaposan végiggondol mindent, ami a nehéz feladatoknál erény, a számlán és a várakozási időben viszont meglátszik. A kontextusablak 500 ezer tokenje sem kiemelkedő, a DeepSeek-V4.1-Flash vagy az Alibaba Qwen3.8-Omni-Flash például 1 millió tokenes kontextust kínál.

Mennyibe kerül valójában a Grok 4.7, ha a tokenfogyasztást is számoljuk?

A Grok 4.7 listaára 2 dollár millió bemeneti és 6 dollár millió kimeneti tokenenként, ami kerekített 320 Ft-os árfolyammal 640 Ft, illetve 1 920 Ft. Mivel a modell feladatonként sok tokent termel, saját becslésünk szerint a valós költségelőnye a GPT-6 Astrával szemben nem nyolcszoros, hanem nagyjából háromszoros, az emberi javítómunkával együtt pedig jórészt el is tűnhet.

Listaár, gyorsított változat és gyorsítótár

A normál változat 2 és 6 dollárba kerül, a gyorsítótárból kiszolgált, vagyis már korábban elküldött és újrahasznosított bemenet (cache hit) millió tokenenként 0,50 dollárba, ami forintban 160 Ft. A gyorsított változat (Grok 4.7 Fast) nagyjából dupla sebességgel dolgozik dupla áron, tehát 4 dollár bemenetért és 12 dollár kimenetért millió tokenenként. Az ITBrief szerint a gyorsabb változat az alapértelmezett, a MarkTechPost szerint ezzel szemben a Fast csak a Cursorban és a Grok Buildben fut, a nyilvános API-n nem. A két állítás összefér, ha a Fast ezen a két felületen az alapbeállítás, de érdemes ellenőrizni, mert a dupla ár a havi költségben is meglátszik.

A Vercel AI Gatewayen a modell szeptember 21-én időszakos, 40%-os kedvezménnyel volt elérhető, ez azonban akció, nem tartós ár, költségtervezésnél ne számolj vele.

Miért nem elég a listaárat nézni?

Képzelj el két szobafestőt, akik közül az egyik óránként nyolcadannyit kér, mint a másik, csak éppen háromszor annyi órát ír a számlára. A végösszeg így sem lesz nyolcadannyi, a Grok 4.7 pedig pontosan így működik: a tokenára alacsony, a feladatonkénti tokenfogyasztása viszont magas. Az alábbi számítás az Artificial Analysis által közölt átlagos, feladatonkénti kimeneti tokenszámokból indul ki és csak a kimeneti oldalt számolja, ezért saját becslésnek tekintendő, kerekített 320 Ft/dollár árfolyammal.

A számítás menete a Grok 4.7 esetében: 81 000 × 6 / 1 000 000 = 0,486 dollár, ami 320 Ft-os árfolyammal körülbelül 156 Ft. A táblázatból két dolog derül ki. A Grok 4.7 így is a legolcsóbb frontmodell a listán, egy feladat nagyjából 2,8-szor olcsóbb vele, mint a GPT-6 Astrával, a Claude Opus 5.5-höz képest pedig körülbelül 4,9-szer. A papíron látható 8,3-szoros kimeneti árelőny (6 dollár az 50 dollárral szemben) ugyanakkor a háromszoros tokenfogyasztás miatt 2,8-szorosra zsugorodik.

A saját elődjéhez képest a kép még meglepőbb, hiszen ugyanazért a listaárért feladatonként 2,25-ször többet fizetsz. Igaz, az Artificial Analysis a Grok 4.6-ot high, a Grok 4.7-et xhigh szinten mérte, ezért a különbség egy része a beállításból fakad. Aki egyszerűen lecseréli a 4.6-ot 4.7-re és a legmagasabb gondolkodási szinten hagyja, annak a havi számlája jó eséllyel a duplájára nő.

Egy képzeletbeli fejlesztőcsapat havi számlája

Vegyünk egy képzeletbeli, 12 fős kecskeméti webfejlesztő műhelyt, amely havonta 150 kisebb fejlesztési feladatot (hibajavítást, apró funkciót, bővítményfrissítést) bízna egy kódoló AI-ügynökre. Tegyük fel, hogy egy feladat 300 ezer bemeneti tokent emészt fel, mert az ügynök többször újraolvassa a fájlokat, a kimenetet pedig a fenti átlagokkal számoljuk. Gyorsítótár nélkül a Grok 4.7-tel egy feladat 0,60 dollár bemenet plusz 0,486 dollár kimenet, összesen 1,086 dollár, ami havonta 162,9 dollár, vagyis körülbelül 52 100 Ft. Ugyanez a GPT-6 Astrával feladatonként 4,35 dollár, havonta nagyjából 208 800 Ft, a Claude Opus 5.5-tel 3,58 dollár, havonta körülbelül 171 800 Ft.

Egy ügynöknél azonban nem a próbálkozás, hanem a sikeresen lezárt feladat számít. Ha nagyon leegyszerűsítve az Artificial Analysis Terminal-Bench-eredményeit vesszük sikerességi aránynak (Grok 4.7: 26%, GPT-6 Astra: 60%, Claude Opus 5.5: 59,6%), a Grok 4.7 a 150 feladatból körülbelül 39-et old meg, a másik kettő nagyjából 90-et. Egy sikeres feladatra vetítve a Grok 4.7 így is a legolcsóbb, körülbelül 1 340 Ft-tal, szemben az Opus 5.5 1 920 és az Astra 2 320 Ft-jával. A kép akkor változik meg, amikor a sikertelen próbálkozások emberi utómunkáját is beárazzuk: tegyük fel, hogy egy elbukott feladat 15 perc fejlesztői időt visz el, 8 000 Ft-os belső órabérrel.

Ebben a leegyszerűsített modellben a Grok 4.7 még mindig nyer, de már csak 7 és 17% közötti előnnyel, nem a puszta API-díjból adódó három-négyszeres különbséggel. A nagyobb gond, hogy a sikertelen feladatok száma közel kétszerese a riválisokénak, ami határidős munkánál csúszást, ügyfélkapcsolatban pedig bosszúságot jelent. Ha a fejlesztő órabére magasabb, vagy egy hibás feladat több időt visz el, a mérleg könnyen a drágább modellek felé billen. Fordítva is igaz: a Cursorban vagy a Grok Buildben, ahol a Grok 4.7 a jobbik, 33 és 38% közötti Terminal-Bench-eredményt hozza, a különbség kisebb, a valódi kódjavítást mérő DeepSWE-n pedig alig van lemaradása. A sikerességi arányt ezért a saját feladataidon kell megmérni, a Terminal-Bench csak egy durva közelítés.

A gyorsítótárazás mindegyik modellt olcsóbbá teszi. Ha a bemenet 80%-a gyorsítótárból jön, a Grok 4.7 bemeneti költsége feladatonként 0,60-ról 0,24 dollárra csökken, a Claude Opus 5.5-é (0,20 dolláros gyorsítótár-olvasással) 1,20-ról 0,288 dollárra, vagyis a bemeneti oldalon a két modell közel kerül egymáshoz. A GPT-6 Astra gyorsítótár-árát a forrásainkban nem találtuk, ezért azt nem számoltuk ki.

Egyszerű irodai feladatoknál kisebb a tét

Más a helyzet a nagy volumenű, egyszerű szövegfeladatoknál, ahol a gondolkodási szint alacsonyra állítható. Vegyünk egy képzeletbeli, 20 fős székesfehérvári elektronikai tervezőirodát, amely havonta 400 műszaki dokumentumot (adatlapot, tesztjegyzőkönyvet) foglaltatna össze. Ha egy dokumentum 20 ezer bemeneti tokent jelent, a válasz pedig a gondolkodással együtt 4 ezer kimeneti tokent, akkor havonta 8 millió bemeneti és 1,6 millió kimeneti token keletkezik. Ez a Grok 4.7-tel 16 + 9,6 = 25,6 dollár, vagyis körülbelül 8 200 Ft havonta.

Ugyanennyi tokennel a Claude Opus 5.5 körülbelül 20 500 Ft, a GPT-6 Astra 51 200 Ft lenne, az OpenAI szeptember 22-én bejelentett GPT-6 Sol modellje (2 és 10 dollár) nagyjából 10 200 Ft, a GPT-6 Luna (0,10 és 0,50 dollár) pedig 500 Ft körül. Ilyen feladatoknál a havi különbség néhány ezer vagy néhány tízezer forint, ami egy 20 fős cégnél ritkán döntő tétel. Itt sokkal többet számít, melyik modell adja a legjobb minőséget a te dokumentumaidon, hol dolgozzák fel az adatot, illetve mennyi emberi javítás kell utána.

Elérhetőség: API, Cursor, Office-bővítmények és Grok-előfizetések

A SpaceXAI bejelentése szerint a Grok 4.7 a megjelenés napjától elérhető a Cursor kódszerkesztőben, a Grok Build kódolóügynökben és a Grok API-n. A modellkártya ennél bővebb listát ad: a SpaceXAI API (console.x.ai), a Grok Build, a Cursor minden előfizetési szintje, Word-, PowerPoint- és Excel-bővítmények, valamint modellátjárók és felhőplatformok, köztük az OpenRouter, a Vercel, a Cloudflare, a Snowflake és a Databricks Mosaic.

Magyarországról nézve fejlesztői oldalon nincs különösebb akadály: a felsorolt platformok nemzetközi szolgáltatások, a hivatalos anyagokban pedig országlistára vonatkozó korlátozást sem találtunk. A fejlesztői dokumentáció ugyanakkor csak amerikai regionális végpontot említ, európait nem, erre az adatkezelésnél visszatérünk.

KKV-szempontból a legérdekesebb csatorna a Word-, PowerPoint- és Excel-bővítmény, mert így a modell ott dolgozik, ahol a legtöbb irodai munka zajlik. A bővítmények funkcióiról és árazásáról a modellkártya nem közöl részleteket, ezért bevezetés előtt az adatkezelési beállításokat külön nézd meg, főleg ha a dokumentumokban ügyféladat is szerepel.

A fogyasztói oldalon zavarosabb a kép. A Decrypt azt írta, hogy a Grok 4.7 azonnal elérhető a Grok alkalmazásban, a MarkTechPost összefoglalója szerint ugyanakkor a hivatalos bejelentés sem a Grok appot, sem az X-et, sem a SuperGrok-előfizetést nem említi. A SpaceXAI anyagai valóban a fejlesztői és céges csatornákra fókuszálnak, ezért ha X Premium vagy SuperGrok előfizetéssel használod a Grokot, a modellválasztóban ellenőrizd, melyik verzió fut, az aktuális árakat pedig a grok.com csomagoldalán nézd meg.

Grok 4.7 a gyakorlatban: öt terület, ahol egy KKV kipróbálhatja

A benchmarkok alapján öt olyan területet látunk, ahol egy magyar kis- vagy középvállalat értelmesen tesztelheti a Grok 4.7-et, mindegyiknél úgy, hogy a modell munkáját ember ellenőrzi és a hibás kimenet nem jut el közvetlenül az ügyfélhez.

Kódolás és weboldal-karbantartás a Cursorban

A képzeletbeli kecskeméti webfejlesztő műhelynél a Grok 4.7 a rutinjellegű kódolási munkában lehet jó választás: egy WordPress-bővítmény frissítése utáni hibák javítása, egységtesztek írása, egy űrlap validációjának átírása. A DeepSWE-eredmény alapján ezekben a feladatokban közel jár a drágább modellekhez. A szerverbeállítást, telepítést vagy migrációt igénylő, parancssorban futó munkát a gyenge Terminal-Bench-eredmény miatt inkább bízd erősebb modellre vagy egy tapasztalt kollégára.

Műszaki és mérnöki dokumentáció

A villamosmérnöki EEBench-en mért 64,0% alapján a Grok 4.7 a gyártó szerint a mérnöki feladatokban otthonosabban mozog, mint több versenytársa. A képzeletbeli székesfehérvári tervezőiroda például alkatrész-adatlapok összevetésére, tesztjegyzőkönyvek összefoglalására vagy egy kapcsolási rajz leírásának ellenőrzésére használhatja. A végső mérnöki döntés azonban maradjon a mérnöknél, ahogy a modellkártya is kéri.

Jogi előszűrés és szerződés-összefoglaló emberi felügyelettel

A Harvey Legal Agent Benchmark 19,6%-os eredménye a SpaceXAI által összevetett modellek közül a legjobb, abszolút értékben mégis alacsony. Egy képzeletbeli, bérleti szerződések tucatjait kezelő budapesti ingatlankezelő cégnél ezért arra használható, hogy egy hosszú szerződésből kigyűjtse a határidőket, a felmondási feltételeket és a kötbérpontokat, a jogi értékelést viszont jogász végezze. A személyes adatokat tartalmazó iratoknál előbb az adatkezelési kérdéseket kell rendezni, erről alább részletesen írunk.

Elemzés, táblázat, riport

Az AA-Briefcase bontása szerint a Grok 4.7 elemzésben erős, a tálalásban gyengébb. Egy képzeletbeli balatoni panzió így a foglalási adatok havi elemzését, a szezonális trendek kiszámítását vagy a lemondási okok csoportosítását bízhatja rá, ám a vendégeknek vagy a tulajdonosnak szánt végleges riportot jobb emberi kézzel formába önteni. A vendégek nevét és elérhetőségét feltöltés előtt távolítsd el vagy cseréld azonosítóra.

Trendfigyelés az X-en és a weben

A Grok 4.7 beépített eszközként tud a weben és az X-en keresni, utóbbi a Grok sajátossága, hiszen a modell és a platform ugyanahhoz a cégcsoporthoz tartozik. Ha a célközönséged aktív az X-en, a modell segíthet összefoglalni, miről beszélnek a szakmai körök egy termékbevezetés vagy egy iparági hír kapcsán. A találatokat itt is ellenőrizni kell, hiszen a 29%-os hallucinációs arány mellett egy magabiztos, de téves összefoglaló könnyen félreviheti a döntést.

Előnyök és hátrányok egy magyar KKV szemével

A Grok 4.7 előnyei és hátrányai nagyjából kiegyenlítik egymást, a mérleg attól függ, mire használnád. Az alábbi táblázat a fenti mérések alapján foglalja össze a lényeget.

Ha egyetlen mondatban kellene összefoglalni, a tbreak megfogalmazása elég pontos: a Grok 4.7 saját fordításunkban „olcsóbb lehetőség egyértelmű teljesítménybeli fenntartással, nem pedig a legképesebb modellek egyenes helyettesítője”. Ez nem rossz pozíció, csak tudni kell, hová illik. Egy jól megválasztott, ellenőrzött feladatnál a Grok 4.7 valódi megtakarítást hozhat, egy önállóan futó, kritikus ügynöknél viszont a megspórolt forintokat könnyen elviszi a javítás.

Mennyire biztonságos és GDPR-kompatibilis a Grok 4.7 céges használata?

Az API-n keresztül a SpaceXAI saját dokumentációja szerint a cég kifejezett engedély nélkül nem tanít az adataidon, a kéréseket 30 napig tárolja, a nulla adatmegőrzés (ZDR) pedig csapatszinten bekapcsolható. Európai adatfeldolgozási végpontot viszont nem dokumentál, ezért személyes adatoknál adatfeldolgozói szerződés és adattovábbítási elemzés kell a GDPR-megfeleléshez.

A SpaceXAI API-biztonsági GYIK-je szerint a kéréseket és a válaszokat titkosítva 30 napig tárolják auditálási célból, utána automatikusan törlik őket. A ZDR (zero data retention, nulla adatmegőrzés) bekapcsolásakor a promptok és a válaszok soha nem kerülnek lemezre, a beállítás azonban a teljes csapatra vonatkozik, API-kulcsonként nem kapcsolható. A cég SOC 2 Type 2 megfeleléssel rendelkezik, a GDPR-ral kapcsolatos részletes dokumentumait titoktartási megállapodás után teszi elérhetővé a Trust Centerben.

A feldolgozás helyére egy magyar cégnek külön figyelnie kell. A dokumentáció szerint az alapértelmezett végpont nem garantálja a feldolgozás régióját, a MarkTechPost szerint 10%-os felárral elérhető amerikai regionális végpont (us.api.x.ai) ellenben garantálja, hogy a kérés kezelése, a modellfuttatás, a moderáció és a tárolt adat az Egyesült Államokban marad. Ha tehát ügyféladatot, munkavállalói adatot vagy bármilyen más személyes adatot küldesz a modellnek, harmadik országba irányuló adattovábbítással kell számolnod, amihez adatfeldolgozói szerződés (DPA), megfelelő jogalap és dokumentált kockázatelemzés kell. Ezt adatvédelmi szakemberrel nézesd át, mert egy esetleges NAIH-vizsgálatnál a te cégednek kell igazolnia a megfelelést.

Az API és a fogyasztói alkalmazás között lényeges a különbség. A modellkártya külön fogyasztói és vállalati felhasználási feltételekre hivatkozik, ezért ügyféladatot, szerződést vagy belső dokumentumot ne tölts fel magánfiókból a Grok alkalmazásba vagy az X-be épített Grokba, céges használatra az API-t vagy a céges csatornákat válaszd.

Az Európai Unió mesterségesintelligencia-rendelete (EU AI Act) is ad feladatot. A rendelet átláthatósági szabálya 2026 augusztusa óta előírja, hogy jelezni kell, ha a felhasználó AI-rendszerrel lép kapcsolatba, így ha a Grok 4.7-re ügyfélszolgálati chatbotot építesz, ezt a weboldalon egyértelműen közölni kell. Az általános célú modellekre vonatkozó kötelezettségek elsősorban a SpaceXAI-t mint szolgáltatót terhelik, a felhasználás módjáért viszont te felelsz. A modellkártya egyik ígérete a kiszámíthatóság szempontjából kedvező: a SpaceXAI szerint soha nem csökkentik csendben a modell képességeit és nem váltanak át titokban másik modellre.

Milyen korábbi Grok-botrányokról és gyengeségekről érdemes tudni?

A Grok-modellcsaládot az elmúlt bő egy évben több vita is érintette: 2025 júliusában a Grok X-fiókja antiszemita tartalmakat tett közzé, a Grok 4 pedig vitatott kérdésekben Elon Musk bejegyzéseit kereste ki. 2026 elején a képgenerálás miatt uniós eljárások indultak az X ellen. Ezek nem a Grok 4.7 API-járól szólnak, de a hírnévkockázat részei.

A TechCrunch 2025. július 9-i beszámolója szerint július 8-án és 9-én a Grok automatikus X-fiókja több antiszemita bejegyzést tett közzé, köztük Hitlert dicsérő tartalmat. Az X ezután lekapcsolta a fiókot, az xAI pedig törölte a rendszerpromptból azt az utasítást, amely szerint a válasz ne riadjon vissza a politikailag inkorrekt, de jól alátámasztott állításoktól. A lap egy nappal később arról írt, hogy az akkor megjelent Grok 4 a saját tesztjeik szerint olyan vitatott témákban, mint Izrael és Palesztina konfliktusa, az abortusz vagy a bevándorlás, a válasz előtt Elon Musk X-bejegyzéseit kereste ki. A TechCrunch azt is megjegyezte, hogy az xAI a Grok 4-hez nem adott ki rendszerkártyát, pedig a nagy laborok ezt rendszerint megteszik. A Grok 4.7-hez már részletes modellkártya tartozik biztonsági mérésekkel.

A második hullám a képgeneráláshoz kapcsolódott. A The Register beszámolója szerint az Európai Bizottság 2026. január 26-án hivatalos eljárást indított az X ellen a digitális szolgáltatásokról szóló rendelet (DSA) alapján, azt vizsgálva, hogy a platform megfelelően felmérte és kezelte-e a Grok funkcióinak kockázatait az EU-ban, miután a Grokkal valós személyekről, köztük kiskorúakról is szexualizált képeket lehetett készíteni. Az X közölte, hogy zéró toleranciát alkalmaz a gyermekek szexuális kizsákmányolásával és a beleegyezés nélküli meztelenséggel szemben, a nem fizető felhasználóknál pedig kikapcsolta a képgenerálást. A PBS NewsHour szerint 2026 februárjában az ír adatvédelmi hatóság is vizsgálatot indított a GDPR alapján. Az eljárások jelenlegi állásáról ezek a beszámolók nem adnak tájékoztatást.

A Decrypt összesítése szerint ráadásul a Grok 4.7 megjelenése július vége óta legalább ötször csúszott. Egy magyar KKV-nak mindez nem feltétlenül kizáró ok, hiszen az API-n elérhető Grok 4.7 műszakilag független ezektől az ügyektől, egy ügyfelek felé kommunikált chatbotnál viszont a márka megítélése is szempont lehet.

Hogyan teszteld a Grok 4.7-et a saját folyamataidon lépésről lépésre?

A legbiztosabb út egy két-három hetes, számokkal mért próba. Válassz ki egy jól körülhatárolt feladattípust, futtasd le ugyanazt a 20 és 30 közötti valós példát a Grok 4.7-tel és egy drágább modellel, mérd a tokenfogyasztást, a sikerességet és az emberi javítás idejét, majd a sikeres feladatonkénti teljes költség alapján dönts.

• Válassz egyetlen, jól mérhető feladattípust, például hibajavítást egy WordPress-oldalon, szerződés-összefoglalót vagy műszaki adatlapok összevetését.
• Gyűjts össze 20 és 30 közötti valós, anonimizált példát, amelyeknél tudod, milyen a jó eredmény.
• Hozz létre céges fiókot a console.x.ai felületen. Ha személyes adat is kerülhet a promptokba, kapcsold be a ZDR-t, mielőtt az első kérést elküldöd.
• Futtasd le a példákat legalább két gondolkodási szinten (például medium és high), mert a szint a tokenfogyasztást és a költséget is erősen befolyásolja.
• Futtasd le ugyanezeket egy összehasonlító modellel is, például a GPT-6 Sollal, a Claude Opus 5.5-tel vagy a GPT-6 Astrával.
• Rögzítsd feladatonként a bemeneti, a kimeneti és a gyorsítótárazott tokenek számát, valamint a futásidőt.
• Értékeld a kimeneteket vakon (sikeres, javítandó vagy hibás) és mérd, mennyi idő kell a javításhoz.
• Számold ki a sikeres feladatonkénti teljes költséget az API-díj és az emberi idő összegeként, majd e szám alapján dönts.
• Ha a Grok 4.7 nyer, indulj kicsiben: havi költségkerettel, naplózással és egy kijelölt felelőssel, aki hetente átnézi az eredményeket.

Ha a csapatod már a Cursorban dolgozik, a legolcsóbb próba az, ha egy hétig tudatosan a Grok 4.7-et választjátok a rutinfeladatokra, majd összevetitek a javítások számát az előző hét eredményével.

Kinek ajánljuk a Grok 4.7-et és kinek nem?

A Grok 4.7-et azoknak ajánljuk, akik nagy mennyiségű, emberi ellenőrzéssel futó kódolási, mérnöki vagy elemzési feladatot végeznek és számít a költség. Nem ajánljuk kritikus, önállóan futó ügynököknek, parancssoros üzemeltetési automatizálásra, illetve olyan személyesadat-kezelésre, ahol európai adatfeldolgozási garancia kell.

Kinek éri meg kipróbálni:

• Fejlesztőcsapatoknak, amelyek a Cursorban dolgoznak és rutinszerű kódolási feladatokra keresnek olcsóbb modellt.
• Mérnöki és műszaki cégeknek, amelyek adatlapokkal, tesztjegyzőkönyvekkel dolgoznak, hiszen az EEBench-en a modell a SpaceXAI táblázatának élén áll.
• Ügynökségeknek és tanácsadóknak, akik nagy mennyiségű elemzést készítenek, a végső anyagot viszont úgyis ember szerkeszti.
• Azoknak, akik az X-en zajló szakmai beszélgetéseket is figyelnék, mert a beépített X-keresés a Grok sajátossága.

Kinek nem ez az első választás:

• Akik szerverüzemeltetési, telepítési vagy migrációs feladatokat automatizálnának ügynökkel, mert itt a Terminal-Bench-lemaradás a legnagyobb.
• Akik n8n vagy Zapier mellé üzleti folyamat-automatizálásra keresnek modellt, hiszen az AutomationBench-AA-n a Grok 4.7 visszaesett.
• Akiknek ügyfélnek szánt, igényesen formázott anyag kell, mert a tálalás a modell gyengébb oldala.
• Akiknek személyes adatokhoz európai adatfeldolgozás kell, illetve akiknek az ügyfelei érzékenyek a márkát érintő korábbi vitákra.

Milyen alternatívák jöhetnek szóba?

Az olcsó frontmodellek mezőnye szeptemberben zsúfolt lett. Az OpenAI a TechCrunch szerint szeptember 22-én kiadta a GPT-6 Solt (2 és 10 dollár) és a GPT-6 Lunát (0,10 és 0,50 dollár), azt állítva, hogy jobbak az Anthropic csúcsmodelljeinél, független mérés azonban ezekről még kevés van. A Meta Muse Spark 1.3 modellje 1,25 és 4,25 dolláros áron 75,4-es DeepSWE-eredményt hozott, a StepFun Step 5 Preview 1 és 2,70 dollárért 44 pontot ért el az Intelligence Indexen, a DeepSeek-V4.1-Flash pedig MIT-licenccel, 1 millió tokenes kontextussal érhető el. A csúcsminőséget keresőknek a Claude Opus 5.5 (4 és 20 dollár, 58 pont) vagy a GPT-6 Astra a reális alternatíva, jóval magasabb áron és az Opus 5.5 esetében szintén magas tokenfogyasztással.

Miben segít a Convergo?

A Convergo abban segít, hogy a Grok 4.7 és a versenytársai közül ne a hangzatos benchmarkok, hanem a saját folyamataidon mért eredmények alapján válassz. AI-felmérés, stratégia és oktatás szolgáltatásunkban közösen kijelöljük azokat a feladatokat, ahol egy olcsóbb modell valóban megtérülhet, majd lefuttatjuk a számokkal mért próbát. Egyedi AI-integrációval a kiválasztott modellt adatvédelmi szempontból átgondolt módon kötjük be a rendszereidbe, workflow automatizációval pedig úgy építjük fel a folyamatot, hogy a modell szükség esetén cserélhető legyen. Az első lépés egy ingyenes egyeztetés, ahol átnézzük, melyik folyamatodon érdemes elkezdeni.