Grok 4.7 auf Amazon Bedrock: Einstellbares Reasoning für langlaufende Agenten

SpaceXAIs Grok 4.7 ist jetzt auf Amazon Bedrock verfügbar, und AWS hat eine Anleitung veröffentlicht, wie sich damit ein Agent mit Tool-Calling bauen lässt. In AWS' Test mit 72 Agentenläufen beantwortete der Agent 67 Aufgaben korrekt. Die Ergebnisse zeigen, wie die Einstellung für den Reasoning-Aufwand des Modells Genauigkeit gegen Token-Verbrauch abwägt.
- SpaceXAIs Grok 4.7 ist jetzt auf Amazon Bedrock über die Inferenzprofile us.xai.grok-4.7 und global.xai.grok-4.7 verfügbar.
- SpaceXAI gibt ein Kontextfenster von 500.000 Tokens an, mit Text- und Bildeingabe sowie Textausgabe.
- Grok 4.7 unterstützt vier Reasoning-Stufen: low, medium, high und xhigh.
- In AWS' 72 Agentenläufen waren 67 korrekt; xhigh erreichte 18 von 18, low 15 von 18 bei rund einem Achtel der Ausgabe-Tokens.
- Reasoning-Tokens zählen als Ausgabe-Tokens, daher müssen Completion-Limits Platz für Reasoning und Antwort lassen.
Was SpaceXAI über Grok 4.7 sagt
Laut SpaceXAI ist Grok 4.7 darauf trainiert, bei schwierigeren Aufgaben länger zu arbeiten und zu erkennen, wann es seine eigene Arbeit überprüfen sollte. Das ist vor allem für Agenten wichtig, die eine Aufgabe über viele Schritte hinweg durchziehen und unterwegs ihre Funde verifizieren müssen. SpaceXAI zufolge nutzt das Modell ein größeres Basismodell als Grok 4.6 und wurde mit einem längeren Reinforcement-Learning-Durchlauf auf einer anspruchsvolleren Aufgabenmischung trainiert, die auf Probleme mit vielen Stunden Bearbeitungsdauer ausgerichtet ist.
Die von SpaceXAI veröffentlichten Benchmark-Ergebnisse, wie AWS sie wiedergibt, zeigen die größten Zuwächse gegenüber Grok 4.6 in Kategorien, die anhaltende Arbeit messen:
- Terminal-Bench 4.0 (mehrstündige Terminalarbeit): 20,3 % auf 37,6 %
- EEBench (Elektrotechnik): 53,0 % auf 64,0 %
- Harvey Legal Agent Benchmark: 15,8 % auf 19,6 %
- CursorBench 4.0 (länger laufendes Coding): 40,4 % auf 46,3 %
- HealthBench Professional (klinisches Schlussfolgern): 48,5 % auf 56,7 %
- AA Briefcase v1.1 (mehrstündige Büroarbeit): 1.546 auf 1.657
SpaceXAI gibt ein Kontextfenster von 500.000 Tokens an, mit Text- und Bildeingabe sowie Textausgabe. Auf Amazon Bedrock unterstützt das Modell konfigurierbaren Reasoning-Aufwand, Tool-Calling und strukturierte Ausgabe.
So gelingt der Zugriff über Bedrock
Grok 4.7 läuft über den bedrock-runtime-Endpunkt und wird über ein regionsübergreifendes Inferenzprofil angesprochen. Es gibt zwei Profile. Das Profil us.xai.grok-4.7 routet innerhalb der US-Geografie und eignet sich für Teams mit Anforderungen an die Datenhaltung in den USA. Das Profil global.xai.grok-4.7 routet über kommerzielle AWS-Regionen hinweg und passt zu Teams ohne Vorgaben zum Datenstandort, die maximale Kapazität wollen. Anfragen nennen ein Profil statt einer bloßen Modell-ID.
Das Modell unterstützt die OpenAI-kompatiblen Schnittstellen Chat Completions und Responses sowie die Amazon Bedrock Converse API. Bei Converse kommt das Reasoning als reasoningContent-Block neben dem Textblock zurück. AWS rät, in inferenceConfig nur maxTokens zu setzen und modellspezifische Parameter wie den Reasoning-Aufwand in additionalModelRequestFields zu platzieren.
Voraussetzung ist ein AWS-Konto mit aktiviertem Modellzugriff für Grok 4.7 sowie eine IAM-Identität mit der Berechtigung bedrock:InvokeModel sowohl für das Inferenzprofil als auch für das Standardprojekt des Kontos. Für den Produktivbetrieb empfiehlt AWS, aus vorhandenen AWS-Zugangsdaten ein kurzlebiges Bearer-Token zu erzeugen, damit kein langlebiges Geheimnis gespeichert wird.
Ein praktischer Hinweis: Reasoning-Tokens zählen als Ausgabe-Tokens und verbrauchen das Completion-Limit, noch bevor Antworttext erscheint. Wird das Limit während des Reasonings erreicht, kommt die Antwort ohne Antworttext zurück. Agentencode sollte daher auf leere Inhalte prüfen. AWS nutzte in seinen Läufen ein Limit von 32.768 Tokens.
Reasoning-Aufwand im Test mit suchartigen Aufgaben
Grok 4.7 bietet vier Aufwandsstufen: low, medium, high und xhigh. Um zu prüfen, was sie bewirken, baute AWS eine synthetische Umgebung mit 20 Diensten, die über sieben Tools erreichbar sind, und drei Aufgaben, die Suche statt einfachem Nachschlagen erfordern. Jede hat genau eine richtige Antwort, per Brute Force überprüft.
- two_fault_diagnosis: Zwei Dienste fielen unbemerkt aus, 12 weitere lösten Alarme aus. Von 190 möglichen Paaren erklärt nur eines genau die beobachteten Alarme.
- maintenance_schedule: Acht Dienste sollen in vier Nächten unter zehn Nebenbedingungen gepatcht werden, wobei zwei Dienste desselben Teams nie in derselben Nacht drankommen. Es gibt 2.520 mögliche Pläne, einer davon ist gültig.
- migration_budget: Gesucht sind Migrationen, die die Risikoreduktion innerhalb eines Budgets maximieren, einschließlich transitiver Voraussetzungen. Es gibt 53 zulässige Mengen und eine optimale. Wer zuerst das beste Verhältnis wählt, landet neun Punkte unter dem Optimum.
AWS ließ jede Aufgabe auf jeder Aufwandsstufe sechsmal laufen, insgesamt 72 Läufe. Der Agent antwortete in 67 Fällen richtig. Mit xhigh lag er bei allen 18 richtig. Mit low traf er 15 von 18 und verbrauchte dabei etwa ein Achtel der Ausgabe-Tokens. AWS nennt Token-Zahlen statt Geldbeträgen, da sich Preise ändern und sich die eigenen Kosten eines Nutzers aus den Token-Zahlen ableiten.
Der Beitrag nennt zudem Grundsätze für belastbare Evaluierungen: jede Regel angeben, auf die sich die Bewertung stützt, durch Aufzählen der Kandidaten beweisen, dass jede Aufgabe nur eine Lösung hat, und eine vorgeschriebene Schlusszeile bewerten statt der gesamten Antwort.
Was das für Entwickler von Agenten bedeutet
Das Ergebnis gibt Entwicklern einen Hebel, den sie pro Anfrage setzen können. Bei Aufgaben, in denen eine falsche Antwort teuer ist, kann sich xhigh lohnen, während für andere günstigere und schnellere Läufe mit low ausreichen können. AWS betont, dass Benchmarks nur die Leistung bei Standardaufgaben zeigen, und empfiehlt, an Aufgaben zu messen, die der eigenen Arbeitslast entsprechen. Für aktuelle Regionen, Service-Tiers und Token-Preise verweist AWS auf die Modellkarte zu Grok 4.7 im Amazon Bedrock User Guide und auf die Bedrock-Preisseite.


