Grok 4.7 arrive sur Amazon Bedrock avec un raisonnement configurable et une orientation agents

xAI a publié Grok 4.7 sur Amazon Bedrock, rendant son dernier modèle de pointe accessible aux développeurs AWS. Lancé fin septembre 2026, cette mise à jour introduit dans le catalogue Bedrock un modèle spécifiquement optimisé pour les tâches complexes de codage, les agents fonctionnant sur de longues périodes et le travail professionnel basé sur la connaissance.

Ce qui s'est passé

Grok 4.7 rejoint la gamme de modèles d'Amazon Bedrock en tant que système le plus performant de xAI pour l'ingénierie logicielle et les flux de travail nécessitant un traitement intensif de documents. Le modèle dispose d'une fenêtre de contexte de 500 000 jetons et introduit un effort de raisonnement configurable, permettant aux développeurs de choisir entre les niveaux de traitement low, medium, high et xhigh. Il est servi via des profils d'inférence inter-régions sur le point de terminaison bedrock-runtime et prend en charge les interfaces standard, y compris les API Responses, Chat Completions et Converse.

Selon xAI, l'entraînement du modèle a privilégié l'endurance par rapport à la vitesse brute. Il a été construit sur un modèle de base plus large et soumis à une période plus longue d'apprentissage par renforcement, axée sur les tâches nécessitant plusieurs heures pour être achevées. Cette approche vise à améliorer l'auto-vérification, garantissant que le modèle vérifie sa propre sortie avant de continuer, ce qui réduit les échecs catastrophiques dans les trajectoires d'agents longues. Les évaluations indépendantes d'Artificial Analysis corroborent ces affirmations, montrant des gains significatifs dans les performances des agents de codage et le travail de connaissance à long terme par rapport au précédent Grok 4.6.

Comment cela fonctionne

Le mécanisme central derrière la fiabilité améliorée de Grok 4.7 est son effort de raisonnement ajustable. Par défaut, le modèle fonctionne avec un effort high, mais les développeurs peuvent l'ajuster en fonction de la complexité de la tâche. Des niveaux d'effort plus élevés déclenchent des étapes de vérification interne plus approfondies, ce qui augmente l'utilisation de jetons mais améliore la précision sur les problèmes difficiles. Par exemple, les données d'Artificial Analysis montrent que Grok 4.7 avec un effort xhigh produit environ deux fois plus de jetons de sortie par tâche que Grok 4.6, reflétant ce processus de délibération plus profond.

Sur Amazon Bedrock, le modèle est accessible via deux profils d'inférence inter-régions : us.xai.grok-4.7 pour une résidence des données limitée aux États-Unis et global.xai.grok-4.7 pour une capacité plus large et un coût inférieur. Les développeurs peuvent interagir avec le modèle en utilisant le SDK OpenAI via une clé API ou le SDK AWS (boto3) avec des identifiants IAM. L'API Converse est particulièrement utile pour la gestion unifiée des messages et la journalisation des invocations, tandis que les points de terminaison compatibles OpenAI facilitent la migration des intégrations existantes. La mise en cache implicite des prompts est également activée, réduisant les coûts pour les agents qui envoient répétitivement de grands prompts système ou des documents de référence.

Détails clés

• Fenêtre de contexte : Prend en charge jusqu'à 500 000 jetons, permettant le traitement de bases de code étendues ou de longs documents.
• Niveaux de raisonnement : Quatre paramètres configurables (low, medium, high, xhigh) contrôlent la profondeur de la vérification interne et la consommation de jetons.
• Profils d'inférence : Disponibles via us.xai.grok-4.7 (géographie US) et global.xai.grok-4.7 (régions commerciales mondiales).
• Prise en charge des API : Compatible avec les API Responses, Chat Completions et Converse ; fonctionne avec le SDK OpenAI et AWS boto3.
• Gains de performance : Artificial Analysis rapporte un score d'Intelligence Index de 46 (en hausse par rapport à 44) et un Coding Agent Index de 56 (en hausse par rapport à 47) comparé à Grok 4.6.
• Fonctionnalités de sécurité : Inclut une nouvelle pile de garde-fous conçue pour refuser les prompts dangereux à double usage tout en autorisant la recherche légitime en matière de sécurité.

Pourquoi c'est important

Pour les ingénieurs construisant des agents autonomes, la capacité de configurer l'effort de raisonnement est un levier critique pour équilibrer les coûts et la fiabilité. Les agents à longue durée échouent souvent en raison d'erreurs précoces qui se cumulent avec le temps ; l'accent mis par Grok 4.7 sur l'auto-vérification aide à atténuer ce risque. Cependant, cela implique un compromis : des niveaux d'effort plus élevés augmentent considérablement l'utilisation de jetons. Les développeurs doivent gérer activement ces paramètres plutôt que de compter sur les valeurs par défaut, surtout pour les applications à fort volume ou sensibles à la latence où un effort low ou medium peut suffire pour des tâches simples d'extraction.

L'intégration avec Amazon Bedrock simplifie également la charge opérationnelle. Des fonctionnalités comme la mise en cache implicite des prompts, Guardrails pour le filtrage de contenu et les sorties structurées pour l'analyse JSON sont prises en charge nativement. Cela permet aux équipes de déployer des flux de travail d'agents robustes sans construire de middleware personnalisé pour la gestion de l'état ou les vérifications de sécurité. De plus, le choix entre les profils d'inférence US et Global offre de la flexibilité aux organisations ayant des exigences strictes de résidence des données ou celles privilégiant l'efficacité des coûts par rapport au contrôle géographique.

Ce que vous pouvez faire

• Benchmark des niveaux de raisonnement : Testez les efforts low, medium, high et xhigh contre votre charge de travail spécifique pour identifier le point de rendement décroissant entre le coût en jetons et la précision.
• Mettre à jour les politiques IAM : Assurez-vous que vos permissions incluent bedrock:InvokeModel pour les profils d'inférence spécifiques (us.xai.grok-4.7 ou global.xai.grok-4.7) et l'ARN du modèle de fondation sous-jacent.
• Utiliser des jetons à court terme : Pour les environnements de production, générez des jetons porteurs à court terme en utilisant le package aws-bedrock-token-generator au lieu de clés API à long terme pour renforcer la sécurité.
• Configurer les garde-fous : Intégrez les fonctionnalités de sécurité natives pour filtrer les contenus inappropriés tout en maintenant la conformité aux normes de sécurité.