30秒サマリー
- xAIのGrok 4.7がAmazon Bedrockで利用可能となり、AWSがエージェント評価の詳細を公式ブログで解説
- 72回のエージェント実行で67回正解。最高精度モード（xhigh）は18/18全正解だがトークン消費はlowの7.7倍
- 推論努力レベルをリクエスト単位で調整できる設計により、精度とコストのトレードオフを実務レベルで制御可能
何が起きたか
xAI（旧SpaceXAI表記を原文のまま使用）のGrok 4.7がAmazon Bedrockで利用可能となった。AWSの機械学習公式ブログは2026年10月、Grok 4.7を用いた長期稼働エージェント（long-horizon agent）の構築・評価方法を詳細に解説する記事を公開した。
ブログでは「多ステップにわたる推論が必要な3タスク」を設計し、各タスクをlow・medium・high・xhighの4段階の推論努力（reasoning effort）レベルで各6回、計72回実行した。タスクは①2サービス同時障害の根本原因診断、②10制約下での保守スケジューリング、③予算制約付き移行対象の最適選定で、いずれも総当たりで唯一解が確認済みの問題設定となっている。
結果として72回中67回が正解。xhighでは18/18（100%）全正解、lowでは15/18で正解率83%だった。一方でトークン消費量はxhighがlowの7.7倍（平均出力トークン数：low 1,184 vs xhigh 9,147）、処理時間の中央値もlow 18秒に対しxhigh 106秒と大きく差がついた。ツール呼び出し回数はlowからxhighで17〜18回程度とほぼ変わらず、精度差の主因は推論の深さにあるとみられる。
Grok 4.7はコンテキストウィンドウ50万トークンを持ち、テキスト・画像入力に対応。Amazon Bedrockでは米国地域向け（us.xai.grok-4.7）とグローバル向け（global.xai.grok-4.7）の2つのクロスリージョン推論プロファイルが提供される。OpenAI互換のChat Completions・Responses APIおよびAmazon Bedrock Converse APIを通じて利用できる。
原典ハイライト
xAIの公表ベンチマークによるとGrok 4.7はGrok 4.6比で複数時間を要するタスクで大幅改善（Terminal-Bench：20.3%→37.6%、HealthBench Professional：48.5%→56.7%など）。AWSの72回評価では、xhigh精度モードが全問正解する一方でlowモードはトークン消費を約8分の1に抑えつつ83%の正解率を維持するというトレードオフが確認された。
出典: AWS Machine Learning Blog（公式ブログ）
So What?（なぜ重要か）
AIエージェントの実業務適用において「精度を最大化するか、コストを抑えるか」の二項対立を迫られてきた実務者にとって、推論努力レベルをリクエスト単位で動的に切り替えられる設計は重要な変化点である。例えば障害診断など誤りが許されないタスクはxhigh、大量バッチ処理はlowと使い分けることで、コスト効率と精度の両立が可能になる。また、AWSがトークン数ベースで測定を推奨している点は、通貨建て価格の変動に左右されない自社タスク評価の標準化につながる。
日本企業への示唆
日本企業がAmazon Bedrock上でGrok 4.7を活用する際の実践的示唆は3点ある。①自社タスクを「検索型（候補を提案して検証）」か「ルックアップ型（データを読むだけ）」に分類し、前者にのみ高推論努力レベルを適用することでコストを最適化できる。②AWSが公開したコード実装（ツール定義のenum制約、FINAL行によるグレーディング分離など）は、自社エージェント評価基盤の設計テンプレートとして即座に転用可能。③IAM権限設定でinference profileとdefault projectの両方が必要な点は見落としがちな運用上の落とし穴であり、本番導入前に必ず確認すべき事項である。コスト管理の観点からは、通貨ではなくトークン数で測定・記録する社内指標の整備を先行して進めることが推奨される。
背景・経緯
Amazon Bedrockは複数のAIプロバイダーのモデルを統一APIで提供するマネージドサービス。今回のGrok 4.7は前世代のGrok 4.6より大規模なベースモデルを使用し、より難易度の高いタスク混合での強化学習を経て訓練されたとxAIが説明している。クロスリージョン推論プロファイルはリージョンごとのキャパシティ管理なしに高スループットを実現する仕組みで、Bedrockの既存機能。
