Grok 4.7 est-il bon pour programmer?

Grok 4.7 est sorti le 21 septembre 2026 chez SpaceXAI, l’entreprise autrefois connue sous le nom de xAI. L’entreprise le présente comme son modèle le plus fort à ce jour pour écrire du code et pour le travail intellectuel de bureau. Il repose sur un nouveau modèle de base, plus gros que celui de Grok 4.6, et a été entraîné plus longtemps sur des tâches difficiles qui prennent des heures, avec davantage de pratique pour vérifier son propre travail. Il garde le prix de Grok 4.6 : 2 $ US pour chaque million de jetons envoyés et 6 $ US pour chaque million qu’il écrit, un jeton étant un petit bout de texte, environ les trois quarts d’un mot.

Vous pouvez l’utiliser dans Cursor, dans Grok Build (l’agent de programmation de SpaceXAI), par l’API sous le nom grok-4.7 et par plusieurs outils de programmation tiers. Il lit jusqu’à 500 000 jetons à la fois, et ses connaissances s’arrêtent en mai 2026.

Les chiffres de l’entreprise

Le tableau de lancement de SpaceXAI place Grok 4.7 à côté de son prédécesseur, d’un ancien modèle d’OpenAI (GPT-5.6 Sol) et de Claude Fable 5.1. Trois lignes portent sur la programmation :

*À effort élevé; les autres chiffres de Grok 4.7 utilisent le réglage supérieur « xhigh ».

Lu attentivement, le tableau est honnête sur les écarts. Grok 4.7 fait un grand pas par rapport à 4.6, à peu près à égalité avec Fable 5.1 sur DeepSWE, mais loin derrière lui pour le travail en terminal. Notez aussi que la comparaison laisse de côté les rivaux les plus récents, comme Claude Opus 5.5 et GPT-6.1 Sol.

Les chiffres indépendants

Artificial Analysis, une entreprise qui fait elle-même passer les mêmes tests à de nombreux modèles, raconte une histoire moins favorable. Elle donne à Grok 4.7, à l’effort « xhigh », un score de 34 à son Intelligence Index, un amalgame de neuf tests dont Terminal-Bench 4.0, contre une médiane de 41 pour les modèles comparables. Dans ses propres exécutions de Terminal-Bench 4.0, Grok 4.7 obtient environ 25,8 %, là où Claude Opus 5.5 obtient environ 59,6 %, Gemini 4 Argon environ 57,1 % et GPT-6.1 Sol environ 56,1 %.

Elle signale aussi que Grok 4.7 est très bavard : faire passer l’index lui a demandé 140 millions de jetons de sortie, contre une médiane de 63 millions. Cela compte pour votre facture.

Un exemple de coûts

Un bas prix par jeton peut être annulé par une forte consommation de jetons. Supposons qu’une tâche de programmation demande 100 000 jetons de sortie à un modèle typique, et que Grok en utilise environ deux fois plus, ce qui correspond à son ratio sur l’index ci-dessus. En laissant l’entrée de côté pour simplifier :

Les chiffres sont illustratifs, mais la leçon tient : comparez le coût par tâche terminée, pas le prix par jeton. Artificial Analysis évalue le coût moyen de Grok 4.7 par tâche de son index à 7,51 $ US.

Une bonne première tâche a une ligne d’arrivée claire :

Dans ce projet, la fonction parse_date de utils/dates.py échoue avec les dates écrites sous la forme `2026-10-28T09:30Z`. Ajoute un test pour ce format, corrige la fonction, lance tous les tests et résume le changement en deux phrases.

Pourquoi les scores d’un laboratoire et les scores indépendants diffèrent-ils?

L’écart sur Terminal-Bench, 37,6 % selon SpaceXAI contre environ 25,8 % selon Artificial Analysis, est important, mais ce n’est pas le signe que quelqu’un ment. Plusieurs choix ordinaires font bouger un score.

L’agent autour du modèle. Un modèle de programmation tourne toujours dans un harnais (harness), le logiciel qui lui remet les fichiers, lance ses commandes et décide quand la tâche est terminée. Un laboratoire peut ajuster son propre harnais pour son modèle; un testeur indépendant fait généralement passer tous les modèles par une même configuration standard. Les réglages comptent aussi : le niveau d’effort, les limites de temps, le nombre de nouvelles tentatives permises et le nombre de jetons qu’un modèle peut dépenser. Un laboratoire rapporte le meilleur réglage qu’il a trouvé; un testeur peut en choisir un seul pour tous.

Quels tests, et quelles tâches. Les laboratoires choisissent les tests où leur modèle brille, et les petits ensembles de tâches varient de plusieurs points d’une exécution à l’autre. Même des laboratoires rivaux ne s’entendent pas : le tableau de SpaceXAI attribue 57,9 % à Fable 5.1 sur Terminal-Bench 4.0, alors qu’Anthropic rapporte 55,8 % pour le même modèle.

Voyez donc les chiffres d’un laboratoire comme le plafond dans de bonnes conditions, et les chiffres indépendants comme un guide plus proche de ce que vous verrez avec des outils standard. Puis fiez-vous surtout à votre propre petit test, parce qu’il mesure la seule charge de travail qui compte pour vous.