📡 Signal｜何時間も走る仕事に賭けた Grok 4.7、テスラの車内にも

9月21日に xAI が公開した Grok 4.7 は、何時間もかかる課題に重みを置いて学習された。その翌日、テスラは車内の Grok が受信箱やカレンダーの仕事をハンズフリーでこなせるようになったと投稿した。

xAI が挙げた変更は、難しい課題を厚く混ぜた強化学習を長く回したこと、自己検証と長い文脈の管理を改善したこと、そして自社のエージェント環境を最初から理解する形で仕上げたことである。鍛えた場所と、テスラが車へ載せた場所は同じ形をしている。

賭けの形は比較表にも出ている。法務業務のエージェント評価 Harvey Legal Agent で19.6%を取り、Claude Fable 5.1 の6.7%、GPT-5.6 Sol の2.5%を大きく離した一方、端末上の作業を測る Terminal-Bench 4.0 は37.6%で Fable 5.1 の57.9%に20.3ポイント届いていない。総合点で首位を取りに行ったモデルではない。長い工程を最後まで持たせる側に、資源を寄せた。

足したものはすべて工程の長さに効く

xAI は基盤モデルそのものも大きくしている。ただし挙げられた変更のうち、1回の応答の質を直接押し上げるのはそこだけだ。残りは工程が長くなるほど効いてくる。自己検証は途中で自分の出力の誤りに気づいて戻る働きで、10手で終わる仕事より1,000手続く仕事で差が出る。長い文脈の管理は、序盤に読んだ資料を終盤まで保つ力である。エージェント環境の理解は、道具の呼び出し方を毎回教わらずに済むということだ。

「何時間もかかる問題に重みを置いた」という一行は、鍛える場所をそこに選んだという意味になる。朝から晩まで走らせた先に使える成果物が残るかどうかを、評価の対象に据えたということだ。

勝ち方と負け方が分かれた比較表

xAI が公開した表は、Grok 4.7 を Grok 4.6・GPT-5.6 Sol・Claude Fable 5.1 と5つのベンチマークで並べている。左から Grok 4.7 / Grok 4.6 / GPT-5.6 Sol / Fable 5.1 の順。

• CursorBench 4.0: 46.3% / 40.4% / 41.7% / 51.8%
• DeepSWE v1.1: 71.0%(高い推論強度) / 65.2% / 72.7% / 70.0%
• EEBench: 64.0% / 53.0% / 39.4% / 56.4%
• Terminal-Bench 4.0: 37.6% / 20.3% / 37.3% / 57.9%
• Harvey Legal Agent: 19.6% / 15.8% / 2.5% / 6.7%

首位は EEBench と Harvey Legal Agent の2つ。Harvey では xAI が2世代続けて他社を離しており、前の版の Grok 4.6 でさえ15.8%で Fable 5.1 の6.7%を上回っている。逆に、開発環境での作業を測る CursorBench 4.0 と Terminal-Bench 4.0 では Fable 5.1 が先行し、DeepSWE v1.1 は71.0%で GPT-5.6 Sol の1.7ポイント下に付けた。

読み取れるのは、モデルの序列が1本ではないことだ。汎用のコーディングでは Fable 5.1 が頭ひとつ出ており、専門領域の業務エージェントでは Grok 4.7 が出ている。問いは、どの仕事にどれを当てるかへ細かくなっている。

全基準パスで測る Harvey の採点

Harvey Legal Agent は、法務 AI の Harvey が公開したオープンソースの評価で、同社は「長い工程の法務業務」「筋書きの決まっていない依頼をこなせるか」を測るものだと説明している。エージェントは案件の資料を読み、メモや開示スケジュールのような、そのままレビューに出せる成果物を作る。1,200件を超えるタスクが24の実務分野にまたがり、専門家が書いた採点基準は7万5,000項目を超える。

採点は全基準パスである。Harvey は「すべての基準を満たしたときだけタスクを完了とする」と書き、その理由をこう説明している。10件のリスクのうち8件を挙げた案件報告は、80%役に立つのではなく、不完全なのだ、と。

だから19.6%は「5件に1件、全基準を満たす成果物を出せた」という意味になる。事実・結論・引用・構成・分析の運びのどれか1つでも欠ければ0点だ。他の3モデルが2.5%から15.8%に収まることを合わせて見ると、この領域はまだ誰も解いていない。エージェントに職能の工程を任せる話は、勝ち負けの前に「レビューに出せる水準へ届くか」の段階にある。その入口に最初に指がかかっているのがどこかを、この1行が示している。

同じ週に車へ載った Grok Bot

9月22日、テスラは公式アカウントで「あなたのテスラの中の Grok が、意味のある仕事をこなせるようになった」と投稿した。Connectors という接続の仕組みを通じて、受信箱を片づける、カレンダーを整理する、手元のファイルやチャットやタスクについて話しながら進める、といったことがすべてハンズフリーでできるという。

車内で動くモデルの版は、両社とも明かしていない。それでも、xAI が「最初から理解する形で学習させた」と書いた対象と、テスラが車に載せた仕組みは、同じもの——同社のエージェント環境——を指している。

車内は、長い工程のエージェントにとって条件のそろった場所である。使い手は画面を見ておらず、途中で細かく操作を挟めない。指示を出してから結果を受け取るまでの間が空いても構わない。1回の速い応答より、任せて放っておける完遂率のほうが効く場面だ。Grok 4.7 が資源を寄せた側が、そのまま製品の要件になっている。

50万トークンの窓の使い切り方

Grok 4.7 の文脈の窓は50万トークン、推論の強度は low・medium・high(既定)・xhigh の4段階から選べる。価格は発表文の入力2ドル・出力6ドルが基本だが、開発者向けドキュメントには条件が付く。プロンプトが20万トークン未満のとき100万トークンあたり入力2ドル・キャッシュ入力0.50ドル・出力6ドル、20万トークンを超えると入力4ドル・キャッシュ入力1ドル・出力12ドルになる。出力を2倍の速さで返す fast 版も価格は2倍である。

長い工程に賭けたモデルだから、売りを使い切るほどこの階段の上に乗る。裏を返せば、20万の手前で文脈を畳む設計を組めるかどうかが、そのまま費用の設計になる。強度の4段階と階段を組み合わせる余地は使う側にあり、同じモデルでも1回あたりの費用は大きく変わる。

価格そのものは前の版と同じに据え置かれた。翌9月22日には Anthropic が Claude Opus 5.5 を「典型的な作業で Opus 5 より40%安い」として、OpenAI が GPT-6 Sol と Luna を「GPT-5.6 のプロモーション価格と比べて API 価格50%減」として公開しており、3社が同じ週に費用の話を性能の話と並べて前に出したことになる。新しい賭けを試すコストが上がらなかったことは、試す側には効く。

次に見るもの

一つは Harvey Legal Agent の次の数字である。オープンソースで公開されているので各社が自社の表に載せてくる。19.6%がどこまで動くかで、この賭けが伸びる線なのか頭打ちなのかが分かる。あわせて、同じ形の職能別エージェント評価が法務の外へ広がるかどうかも見る。

二つ目はテスラのソフトウェア更新である。Grok Bot が車内でどこまで実務に使われるかは、更新のリリースノートと配信の広がりに出る。運転中という手の塞がった時間に、どの種類の仕事が任されていくかが見える。

三つ目は Terminal-Bench の公開リーダーボード(tbench.ai)。37.6%は xAI の公表表による値なので、独立の計測が同じ帯に収まるかをこのページで照合できる。

四つ目は xAI の開発者向けドキュメントのリリースノートで、20万トークンを超える帯の4ドル・12ドルが据え置かれるかどうか。長い工程を売りにするほど、この帯の価格が実際の採用を決める。

何時間も走り続ける仕事は、まだどのモデルも5件に1件しか終えられない。そこに2世代続けて資源を置いているのが、いまの xAI である。

ことば

• Harvey Legal Agent — 法務 AI の Harvey が公開したオープンソースの評価。案件の資料を読んでレビューに出せる成果物を作らせ、専門家の採点基準をすべて満たしたときだけ完了と数える。部分点が付かないので、数字は実務で使える割合に近い。
• 自己検証 — モデルが自分の出力を途中で点検し、誤りに気づいて直す働き。手数の少ない仕事では差が出にくく、何時間も続く工程ほど最後の成否を分ける。
• 推論の強度 — 答えを出す前にどれだけ考えるかの設定。Grok 4.7 は4段階を持ち、上げるほど精度と費用が同時に上がるため、仕事ごとの選び分けがそのまま費用の設計になる。

🔗 一次ソース

• xAI「Grok 4.7」(2026年9月21日)x.ai
• xAI 開発者向けドキュメント リリースノートdocs.x.ai
• Harvey「Introducing Harvey's Legal Agent Benchmark」Harvey
• Harvey Legal Agent Benchmark (GitHub)GitHub
• テスラ 公式 X(2026年9月22日16時11分 UTC) — 「あなたのテスラの中の Grok が、意味のある仕事をこなせるようになった」「Connectors で受信箱の管理・カレンダーの整理・手元のファイルやチャットやタスクについての対話が、すべてハンズフリーで」の原文
• Anthropic「Claude Opus 5.5」(2026年9月22日)anthropic.com
• OpenAI 公式 X「GPT-6 Sol と GPT-6 Luna」(2026年9月22日) — 「Sol と Luna の API 価格は GPT-5.6 のプロモーション価格と比べて50%低い」の原文
• Terminal-Bench 公開リーダーボードTERMINAL-BENCH