O que é o Grok 4.7 e por que ele chegou ao Bedrock
A xAI disponibilizou o Grok 4.7 no Amazon Bedrock, adicionando ao catálogo de modelos da plataforma uma opção de fronteira voltada para programação, agentes de longa execução e trabalho intensivo com conhecimento. O modelo conta com janela de contexto de 500 mil tokens e suporte a quatro níveis configuráveis de esforço de raciocínio: low, medium, high e xhigh.
O Grok 4.7 é servido pelo endpoint bedrock-runtime por meio de perfis de inferência entre regiões (cross-Region inference profiles) e suporta as APIs Responses, Chat Completions e Converse.
Para que o Grok 4.7 foi construído
As informações de capacidade e treinamento desta seção têm como base o anúncio de lançamento da xAI, Introducing Grok 4.7, publicado em 21 de setembro de 2026, e a documentação oficial do modelo.
A xAI posiciona o Grok 4.7 como seu modelo mais capaz para programação e trabalho com conhecimento. O tema central é resistência, não velocidade bruta: o modelo trabalha por mais tempo em tarefas difíceis e verifica o próprio trabalho com mais cuidado antes de avançar.
Em termos de treinamento, a xAI informa que o Grok 4.7 usa um modelo base novo e maior. Ele foi treinado com um ciclo de aprendizado por reforço mais longo, sobre um conjunto de tarefas mais difícil, deliberadamente ponderado para problemas que levam muitas horas para serem concluídos. Duas capacidades emergiram desse processo: o modelo ficou melhor em verificar o próprio trabalho e faz uso mais eficiente da janela de contexto de 500 mil tokens em tarefas longas. A xAI também o treinou para entender nativamente o harness Grok Bot, o que traz melhorias em tarefas conversacionais e de conhecimento geral.
Para quem constrói agentes, o comportamento de autoverificação é o detalhe mais relevante. Um modelo que confere o próprio output antes de continuar tende a falhar de forma menos catastrófica em trajetórias longas, onde um erro inicial se propaga por todas as etapas seguintes.
A xAI também destaca geração mais robusta de documentos e apresentações, além de ganhos em trabalho profissional especializado — do tipo realizado por advogados, enfermeiros e analistas financeiros. As avaliações publicadas pela empresa abrangem engenharia de software com CursorBench e DeepSWE, trabalho de terminal e escritório de várias horas com Terminal-Bench e AA Briefcase, engenharia elétrica com EEBench, trabalho jurídico com o Harvey Legal Agent Benchmark e raciocínio clínico com HealthBench Professional. Para os resultados completos, consulte o anúncio oficial da xAI.
Avaliação independente
O Artificial Analysis conduz avaliações próprias em vez de depender dos números divulgados pelos desenvolvedores, o que o torna uma segunda referência útil ao lado dos resultados publicados pela xAI. Segundo o Artificial Analysis, o Grok 4.7 melhora em toda a sua suíte de avaliação. Os maiores ganhos estão em trabalho de conhecimento agêntico de longo horizonte e em agentes de programação executados no harness da própria xAI.
O Intelligence Index é um índice composto construído a partir de múltiplas avaliações independentes cobrindo uso agêntico de ferramentas, raciocínio e conhecimento, confiabilidade de conhecimento e trabalho em contexto longo.
| Métrica (Artificial Analysis) | Grok 4.7 | Grok 4.6 |
|---|---|---|
| Intelligence Index | 46 | 44 |
| Coding Agent Index | 56 | 47 |
| AA-Briefcase, trabalho de conhecimento de longo horizonte (Elo) | 1.657 | 1.546 |
| GDPval-AA, produtos de trabalho profissional (Elo) | 1.695 | 1.605 |
| AA-Omniscience Index | 32 | 30 |
| Taxa de alucinação AA-Omniscience | 29% | 34% |
| Tokens de saída por tarefa do Intelligence Index | ~81k | ~38k |
O Grok 4.7 é medido no nível de esforço xhigh e o Grok 4.6 no nível reportado pelo Artificial Analysis para cada métrica. A última linha da tabela é o tradeoff a considerar: os ganhos vêm com aproximadamente o dobro de tokens de saída por tarefa. Por isso vale configurar o nível de esforço de forma deliberada em vez de herdar o padrão.
Segurança e cibersegurança
Segundo a xAI, o Grok 4.7 foi construído com uma pilha de salvaguardas completamente nova e é o modelo mais robusto que a empresa já testou em termos de recusas e resistência a jailbreak. A xAI enquadra o objetivo em domínios de uso dual — como cibersegurança e trabalho biológico — como manter duas coisas ao mesmo tempo: continuar útil para tarefas legítimas enquanto recusa as perigosas.
Em cibersegurança especificamente, a xAI informa que o modelo permite apenas uma pequena fração de prompts arriscados de uso dual enquanto raramente bloqueia trabalho legítimo de segurança. A xAI também começou a conceder acesso por convite a parceiros selecionados de cibersegurança às capacidades de red team do Grok 4.7 para pesquisa defensiva.
Como o Grok 4.7 está empacotado no Amazon Bedrock
O Grok 4.7 aceita entrada de texto e imagem e retorna texto. O modelo é servido pelo endpoint bedrock-runtime por meio de perfis de inferência entre regiões, então as requisições nomeiam um perfil em vez de um ID de modelo direto:
| Opção de inferência | ID do modelo | URL base |
|---|---|---|
| Cross-Region geográfico | us.xai.grok-4.7 |
https://bedrock-runtime.{region}.amazonaws.com/openai/v1 |
| Cross-Region global | global.xai.grok-4.7 |
https://bedrock-runtime.{region}.amazonaws.com/openai/v1 |
O Grok 4.7 suporta a API Responses, a API Chat Completions, InvokeModel e a API Converse. Como o modelo é compatível com OpenAI, há escolha de cliente. O SDK da OpenAI funciona contra o caminho /openai/v1 com um bearer token, que pode ser uma chave de API do Amazon Bedrock ou um token de curta duração gerado a partir das credenciais do Gerenciamento de Identidade e Acesso da AWS (IAM — Identity and Access Management). Os SDKs da AWS acessam o mesmo modelo via Converse, assinando requisições com as credenciais AWS comuns.
Use o SDK da OpenAI se estiver portando uma integração existente. Use Converse se quiser um formato de mensagem único entre os modelos da sua conta, com log de invocação e streaming de resposta pelos tipos de evento padrão do Bedrock.
Usando o Grok 4.7 com recursos do Bedrock
O cache implícito de prompts se aplica automaticamente a prefixos de prompt repetidos, então agentes que reenviam um grande prompt de sistema ou documento de referência a cada turno pagam a taxa de cache para esse prefixo. O Amazon Bedrock Guardrails se conecta por ID e versão na requisição, aplicando filtros de conteúdo, tópicos negados, redação de Informações de Identificação Pessoal (PII — Personally Identifiable Information) e políticas de palavras tanto no prompt quanto na resposta. Com saídas estruturadas, é possível restringir uma resposta a um JSON Schema para que o código downstream possa analisá-la diretamente. O log de invocação captura cada chamada no Amazon CloudWatch com a requisição, a resposta e as contagens de tokens incluindo tokens de raciocínio.
Regiões e opções de inferência
O Grok 4.7 roteia por um de dois perfis de inferência entre regiões em vez de fixar em uma única região. O perfil Global, global.xai.grok-4.7, roteia cada requisição para qualquer região AWS comercial suportada, distribuindo a carga por mais capacidade, e tem preço abaixo de um perfil geográfico. O tradeoff é menos controle sobre onde uma determinada requisição é atendida, o que pode significar latência mais variável. O perfil geográfico dos EUA, us.xai.grok-4.7, mantém o processamento dentro da geografia dos EUA, o que atende a requisitos de residência de dados americanos.
Camada de serviço e preços
Standard é pago por token sem compromisso, selecionado definindo "service_tier": "default" ou omitindo o campo. Priority entrega processamento mais rápido e priorizado por um valor premium ("service_tier": "priority"). Flex oferece acesso de menor custo para trabalhos sem urgência ("service_tier": "flex"). A camada de serviço é uma alavanca significativa de custo sob seu controle. Para preços por token em cada camada, consulte a página de preços do Amazon Bedrock.
Enviando sua primeira requisição
Antes da primeira chamada, confirme que o modelo está disponível para você no console do Bedrock para a região AWS que planeja usar. Instale o SDK da OpenAI e o boto3 se planeja usar a API Converse:
pip install openai
pip install boto3Gere uma chave de API de longa duração do Amazon Bedrock pelo console do Bedrock para exploração e configure o ambiente:
export OPENAI_API_KEY="<provide your Bedrock API key>"
export OPENAI_BASE_URL="https://bedrock-runtime.us-east-1.amazonaws.com/openai/v1"Uma primeira requisição com a API Chat Completions:
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="us.xai.grok-4.7",
messages=[
{"role": "user", "content": "Can you explain the features of Amazon Bedrock?"}
],
)
print(response.choices[0].message.content)A mesma chamada pela API Responses:
response = client.responses.create(
model="us.xai.grok-4.7",
input="Can you explain the features of Amazon Bedrock?",
)
print(response.output_text)E pela API Converse com boto3. Como o raciocínio está sempre ativo, o primeiro bloco de conteúdo carrega o raciocínio e a resposta fica em um bloco posterior, então é preciso percorrer os blocos em busca do texto em vez de indexar content[0]:
import boto3
client = boto3.client("bedrock-runtime", region_name="us-east-1")
response = client.converse(
modelId="us.xai.grok-4.7",
messages=[
{"role": "user", "content": [{"text": "Can you explain the features of Amazon Bedrock?"}]}
],
inferenceConfig={"maxTokens": 2048},
)
blocks = response["output"]["message"]["content"]
text = next(b["text"] for b in blocks if "text" in b)
print(text)No Converse, o nível de esforço é configurado via additionalModelRequestFields em vez de um parâmetro de raciocínio:
response = client.converse(
modelId="us.xai.grok-4.7",
messages=[{"role": "user", "content": [{"text": "What is 17*23? Number only."}]}],
inferenceConfig={"maxTokens": 3000},
additionalModelRequestFields={"reasoning_effort": "xhigh"},
)Três notas operacionais importantes. Primeiro, as requisições devem nomear us.xai.grok-4.7 ou global.xai.grok-4.7. Segundo, bedrock:InvokeModel é avaliado contra três recursos: o projeto padrão da sua conta, o perfil de inferência que você nomeia e o modelo base (FM — Foundation Model) subjacente. O Nome de Recurso da Amazon (ARN — Amazon Resource Name) do modelo base usa wildcard entre regiões porque os perfis cross-Region roteiam fora da região chamante. A autenticação por bearer token adicionalmente requer bedrock:CallWithBearerToken, que boto3 e Converse não precisam:
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": "bedrock:InvokeModel",
"Resource": [
"arn:aws:bedrock:{region}:{account-id}:project/default",
"arn:aws:bedrock:{region}:{account-id}:inference-profile/us.xai.grok-4.7",
"arn:aws:bedrock:*::foundation-model/xai.grok-4.7"
]
},
{
"Effect": "Allow",
"Action": "bedrock:CallWithBearerToken",
"Resource": "*"
}
]
}Liste todos os perfis de inferência que planeja usar. Os perfis têm escopo individual, então uma política que nomeia us.xai.grok-4.7 não cobre global.xai.grok-4.7. Terceiro, os dois mecanismos de autenticação cobrem caminhos de código diferentes. Uma chave de API do Amazon Bedrock em OPENAI_API_KEY viaja como bearer token e autentica as chamadas compatíveis com OpenAI. Os exemplos Converse com boto3 assinam com SigV4, usando as credenciais AWS comuns do ambiente, de um perfil ou de uma role. Configure ambos se pretende usar Converse junto com as APIs compatíveis com OpenAI.
Trate uma chave de API de longa duração como credencial apenas para exploração. Para produção, use tokens de curta duração gerados a partir das suas credenciais IAM com o pacote aws-bedrock-token-generator, pois eles expiram automaticamente e mantêm o acesso vinculado à sua identidade IAM.
Trabalhando com o esforço de raciocínio
O raciocínio está ativo no Grok 4.7, e o nível de esforço é o principal controle que você tem sobre custo e latência. Ele é configurado pelo parâmetro reasoning na API Responses com low, medium, high ou xhigh, e via additionalModelRequestFields no Converse. O padrão é high — vale configurar isso explicitamente em vez de herdar, porque deixar sem definir em chamadas sensíveis à latência ou de alto volume vai gastar mais tokens de raciocínio do que essas chamadas precisam.
Como o modelo é treinado para trabalhar mais tempo e verificar o próprio output, esforço maior compra mais do que deliberação extra em uma única resposta: compra mais autochecagem ao longo de uma tarefa longa. Chamadas curtas de extração e classificação pertencem ao nível low. Planejamento em múltiplas etapas, trajetórias longas de agentes e trabalho onde um erro inicial se propaga são onde high e xhigh justificam seus tokens.
O conteúdo de raciocínio é criptografado. É possível solicitá-lo passando o seguinte em uma requisição da API Responses:
include=["reasoning.encrypted_content"]Em seguida, envie esse conteúdo de volta nos turnos subsequentes para dar ao modelo seu próprio raciocínio anterior como contexto em uma conversa de múltiplos turnos. A API Chat Completions não retorna tokens de raciocínio.
from openai import OpenAI
client = OpenAI() # OPENAI_BASE_URL points at the bedrock-runtime endpoint
response = client.responses.create(
model="us.xai.grok-4.7",
reasoning={"effort": "high"},
include=["reasoning.encrypted_content"],
input="Explain quantum entanglement simply.",
)
print(response.output_text)Para encontrar onde o raciocínio adicional deixa de compensar, faça benchmark dos níveis com sua própria carga de trabalho.
Como começar
Com o Grok 4.7 no Amazon Bedrock, é possível acessar uma janela de contexto de 500 mil tokens, quatro níveis de esforço de raciocínio, entrada de imagem, chamada de ferramentas e roteamento cross-Region geográfico e global — tudo pelas APIs Responses, Chat Completions e Converse. Para começar a construir, revise o model card do Grok 4.7 para a lista atual de regiões, matriz de funcionalidades e detalhes de parâmetros, e consulte a página de preços do Amazon Bedrock para as taxas por token. Se você gerou uma chave de API de longa duração do Amazon Bedrock para exploração, exclua-a do console do Bedrock quando terminar. Uma credencial em aberto que você não precisa mais apenas amplia a superfície de ataque da sua conta.
Referências
- Grok 4.7 Model Card
- xAI, Introducing Grok 4.7
- Artificial Analysis, Benchmarking Grok 4.7
- xAI, documentação do modelo Grok 4.7
- Amazon Bedrock pricing
Fonte
Grok 4.7 is now available on Amazon Bedrock (https://aws.amazon.com/blogs/machine-learning/grok-4-7-is-now-available-on-amazon-bedrock/)
Leave a Reply