Signal YCurated AI News
更新于 11/5 20:4061 个信源

在 Amazon Bedrock 上用 Grok 4.7 构建长时程 agent

企业 AI10/13 23:52AWS 机器学习博客查看原文 ↗
摘要

AWS 官方博客介绍如何在 Amazon Bedrock 上使用 Grok 4.7 构建长时程工具调用 agent,并通过 72 次自建实验量化“推理力度档位—正确率—输出 token”之间的取舍,同时汇总了 SpaceXAI 公布的模型升级与基准提升。

核心要点
  • Grok 4.7 已在 Amazon Bedrock 上线,SpaceXAI 列出 500K token 上下文窗口,支持文本与图像输入、文本输出。
  • 评测用三个唯一正确答案的任务(从告警诊断双服务故障、交互约束下的维护排期、预算内选最优迁移组合),答案由暴力枚举验证,每档推理力度重复 6 次,共 72 次 agent 运行。
  • 72 次中 67 次正确;xhigh 档位 18 次全对,low 档位 18 次中 15 次正确但输出 token 仅约八分之一,形成可按请求调节的权衡。
  • SpaceXAI 称 Grok 4.7 使用比 4.6 更大的基座模型,并用更长的强化学习在更偏“耗时数小时”的难题组合上训练,因而更擅长自查与管理长上下文。
  • SpaceXAI 公布的提升集中在衡量持续工作的类别:Terminal-Bench 4.0 由 20.3% 升至 37.6%,EEBench 53.0%→64.0%,HealthBench Professional 48.5%→56.7%,CursorBench 4.0 40.4%→46.3%,Harvey Legal Agent Benchmark 15.8%→19.6%,AA Briefcase v1.1 由 1,546 升至 1,657。
原文佐证
  • The agent answered 67 of the 72 runs correctly. At xhigh it answered all 18 correctly, and at low it answered 15 of 18 while using about an eighth of the output tokens.
  • SpaceXAI reports that the model is better at verifying its own work and at managing longer context.
  • SpaceXAI lists a 500K token context window for Grok 4.7, with text and image input and text output.
AI 洞察
Grok 4.7 的卖点从“单轮更聪明”转向“多小时持续工作 + 自我验证”,正对准 agent 落地的真实瓶颈,意味着头部模型的竞争焦点正转移到长时程可靠性。AWS 把“推理力度→正确率/ token”的曲线量化并公开,等于把成本与可靠性的调参变成平台侧的标准动作,企业选型会从看榜单转向跑自己的任务集。不过本轮证据是厂商自报基准加平台方自测的组合,持续工作类榜单能否成为新的宣传主场,仍要看第三方复现。