Grok 4.7 API 사용법? 5분 만에 첫 호출 실행하기

TL;DR

• Grok 4.7은 xAI가 코딩 및 agentic 작업을 겨냥한 텍스트 모델이며 HiAPI에 출시되었습니다. 모델 페이지 열기에서 바로 대화할 수 있고, 신규 사용자 가입 시 200 포인트를 지급합니다.
• 플랫폼 가격 $0.84 입력 / $2.52 출력(1M tokens당, 캐시 읽기 $0.21)으로 공식 가격의 약 58% 할인입니다. 2K 입력 + 1K 출력 요청 한 번은 약 $0.0042이며, 총 3K token의 중간 규모 요청(약 $0.0084/회) 기준으로 $10이면 약 1200회 실행할 수 있습니다.
• 가장 빠른 호출: POST https://api.hiapi.ai/v1/chat/completions, model에 grok-4.7을 쓰면 되며, 기존 OpenAI SDK 코드에서 base_url과 model 두 값만 바꾸면 됩니다.

Grok 4.7이란 무엇이고 무엇이 새로운가

2026-09-21에 출시된 Grok 4.7은 xAI의 현재 기본 권장 모델로, 코딩, agentic 작업, 지식 작업을 주력으로 합니다. 공식 자체 보고 기준 Terminal-Bench 4.0 점수는 4.6의 20.3%에서 38.0%로 거의 두 배가 되었습니다(자체 보고 기준). 호출하는 입장에서 주목할 변화는 네 가지입니다:

• 코딩과 agentic이 주력 시나리오: 공식적으로 Cursor, GitHub Copilot 같은 코딩 도구에 연동했으며, 장기 작업 계획 능력이 이 버전의 핵심입니다.
• 네 단계 추론: reasoning_effort는 low / medium / high / xhigh를 지원하고 기본값은 high입니다. 사고 과정은 reasoning_content 필드로 별도 반환되어 표시 여부를 직접 결정할 수 있습니다.
• JSON 객체 + 도구 호출: response_format: {"type": "json_object"}로 유효한 JSON 출력을 강제하고, 함수 호출은 표준 OpenAI tools 형식을 사용하므로 구조화 추출과 agent 루프에 별도 래핑이 필요 없습니다.
• 500K 컨텍스트: 한 번의 요청에 전체 코드베이스나 대용량 문서를 넣을 수 있습니다.

실제 결과물: pandas 데이터 분석 코드

아래 출력은 HiAPI에서 Grok 4.7로 실제 실행해 얻은 것입니다(전체 프롬프트는 아래 링크 참조). 작업은 이커머스 주문 데이터 분석으로, 월별 GMV, 사용자 누적 소비 Top 20, 신규 사용자 첫 주문 추이를 구하고 created_at이 문자열인 상황을 처리하는 것이었습니다. 모델은 18.5초 만에 완료했고 코드는 완전히 실행 가능하며 문자열 날짜 변환을 스스로 처리했습니다:

# ---------- 0. 날짜 처리: 문자열을 datetime으로 변환 ----------
df["created_at"] = pd.to_datetime(df["created_at"], errors="coerce")
df = df.dropna(subset=["created_at", "amount", "user_id"])

# 유효 주문만 집계 (실제 비즈니스에 맞게 status 값 조정)
df_valid = df[df["status"] == "paid"].copy()

# ---------- 1. 월별 GMV와 주문 수 ----------
df_valid["month"] = df_valid["created_at"].dt.to_period("M")
monthly = (
    df_valid.groupby("month", as_index=False)
    .agg(GMV=("amount", "sum"), order_count=("order_id", "count"))
    .sort_values("month")
)

이번 실행은 입력 3440 tokens, 출력 1427 tokens로 플랫폼 가격 기준 약 $0.007입니다. 같은 결과를 원한다면 이 프롬프트로 모델 페이지에서 실행해 보기 →

두 가지 시작 경로

경로 1: 브라우저, 3단계, 코드 없음

1. Grok 4.7 모델 페이지를 열고 로그인 또는 가입합니다(신규 사용자 200 포인트 지급).
2. 대화 상자에 프롬프트를 붙여 넣습니다. 예를 들어 이 링크를 누르면 프롬프트가 자동으로 채워집니다.
3. 바로 전송하면 실제 token 사용량에 따라 크레딧이 차감됩니다.

경로 2: API, 3단계, 애플리케이션 연동

1. HiAPI 콘솔에서 API Key를 생성합니다.
2. 아래 curl의 YOUR_HIAPI_API_KEY를 본인 Key로 바꾸고 실행합니다.
3. model을 grok-4.7로 고정하고 messages를 비즈니스 입력으로 바꾸면 끝입니다.

curl: 첫 호출

curl https://api.hiapi.ai/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_HIAPI_API_KEY" \
  -d '{
    "model": "grok-4.7",
    "messages": [
      {"role": "system", "content": "You are a senior backend engineer."},
      {"role": "user", "content": "Explain what a database connection pool is in two sentences."}
    ],
    "reasoning_effort": "high",
    "max_tokens": 2000
  }'

응답에서 choices[0].message.content는 본문, reasoning_content는 사고 과정이며, usage.completion_tokens_details.reasoning_tokens는 이번 추론에 사용한 token 수를 따로 알려 줍니다. 스트리밍을 원하면 "stream": true를 추가하고 SSE로 파싱하면 됩니다.

Python: 비스트리밍 + 스트리밍

비스트리밍은 requests만 있으면 충분합니다:

import requests

resp = requests.post(
    "https://api.hiapi.ai/v1/chat/completions",
    headers={"Authorization": "Bearer YOUR_HIAPI_API_KEY"},
    json={
        "model": "grok-4.7",
        "messages": [
            {"role": "user", "content": "Write a Python function that merges two sorted lists into one sorted list."}
        ],
        "reasoning_effort": "medium",
        "max_tokens": 4000,
    },
    timeout=120,
)
resp.raise_for_status()
data = resp.json()
print(data["choices"][0]["message"]["content"])

스트리밍에서 주의할 점 두 가지: 먼저 오는 delta.reasoning_content는 사고 과정이고 뒤에 오는 delta.content가 본문입니다. usage는 마지막 chunk에만 있으며(choices가 비어 있음), data: [DONE]으로 끝납니다:

import json
import requests

with requests.post(
    "https://api.hiapi.ai/v1/chat/completions",
    headers={"Authorization": "Bearer YOUR_HIAPI_API_KEY"},
    json={
        "model": "grok-4.7",
        "messages": [{"role": "user", "content": "Plan a Redis-based online presence system."}],
        "reasoning_effort": "high",
        "stream": True,
    },
    stream=True,
    timeout=300,
) as resp:
    resp.raise_for_status()
    for line in resp.iter_lines(decode_unicode=True):
        if not line or not line.startswith("data:"):
            continue
        payload = line[len("data:"):].strip()
        if payload == "[DONE]":
            break
        chunk = json.loads(payload)
        if not chunk["choices"]:
            print("\nusage:", chunk["usage"])  # 마지막 chunk에만 usage가 있음
            continue
        delta = chunk["choices"][0]["delta"]
        if delta.get("reasoning_content"):
            print(delta["reasoning_content"], end="", flush=True)
        elif delta.get("content"):
            print(delta["content"], end="", flush=True)

파라미터 표

필드	필수	값	설명
model	예	grok-4.7	이 ID로 고정
messages	예	OpenAI 형식 메시지 배열	system / user / assistant / tool 역할 모두 지원
reasoning_effort	아니오	low / medium / high / xhigh, 기본 high	추론 강도; 사고 과정은 reasoning_content로 반환
max_tokens	아니오	양의 정수	출력 상한, reasoning tokens 포함, 너무 작게 설정하면 사고가 먼저 잘림
response_format	아니오	{"type": "json_object"}	유효한 JSON 출력 강제, 구조화 추출에 적합
tools	아니오	OpenAI function calling 배열	도구 호출, 다중 턴 tool 결과 반환 지원
stream	아니오	true / false, 기본 false	SSE 스트리밍; usage는 마지막 chunk에 있음

마주치게 될 오류

다른 모델에서 코드를 이전할 때 가장 흔히 밟는 함정: grok-4.7은 frequency_penalty, presence_penalty, stop 세 파라미터를 지원하지 않으며 포함하면 바로 400이 납니다. reasoning_effort는 low / medium / high / xhigh 네 단계만 인정하므로 잘못된 값을 쓰면 인터페이스가 reasoning_effort: is outside allowed values를 그대로 반환합니다. 프로토콜 밖의 필드도 전달할 수 없으며, 저희가 탐색할 때 미등록 필드를 추가하자 인터페이스가 request.zz: unregistered public parameter를 반환했습니다.

해결 방법은 간단합니다. 이 세 파라미터를 삭제하고 단계 값을 올바르게 쓴 뒤 다시 보내면 됩니다. 다른 4xx는 먼저 error.code를 확인한 뒤 코드를 수정하고, 추측하지 마세요.

출시 전 주의사항

• reasoning tokens는 출력으로 과금됩니다. high 단계의 한 답변에는 수만 token의 사고 과정이 포함될 수 있고, 이는 $2.52/M로 청구됩니다. 간단한 작업에서는 reasoning_effort를 low 또는 medium으로 낮추는 것이 가장 직접적인 비용 절감 스위치입니다. usage.completion_tokens_details.reasoning_tokens로 이 수치를 따로 확인할 수 있습니다.
• 200K 전체 요청은 가격 단계가 바뀝니다. prompt가 200K tokens(계약 임계값 199,999)에 도달하면 요청 전체가 장문 가격으로 계산됩니다: 입력 $1.68 / 출력 $5.04 / 캐시 읽기 $0.42로 일반 단계의 두 배입니다. 일반 트래픽은 200K 이하로 유지하고, 전체 코드베이스를 무작정 넣지 마세요.
• 캐시 읽기는 정가의 4분의 1. 반복되는 긴 system prompt와 다중 턴 대화 접두사는 자동으로 캐시에 적중되며, 캐시 읽기는 $0.21/M(정가 $0.84/M의 4분의 1)입니다. agent 루프를 만들 때 접두사를 안정적으로 유지하면 청구서가 눈에 띄게 좋아집니다.

자주 묻는 질문

Grok 4.7과 Grok 4.6 중 무엇을 선택해야 하나요? 플랫폼 가격은 완전히 같습니다($0.84/$2.52). 복잡한 코딩과 agentic 작업에는 4.7(공식 기본 권장)을, 간단한 작업에서 token을 아끼고 싶다면 4.6을 유지해도 됩니다. 자세한 비교는 Grok 4.7 vs Grok 4.6을 참조하세요.

스트리밍 출력을 지원하나요? 지원합니다, 표준 SSE입니다. usage는 마지막 chunk에서만 반환되며 앞선 chunk의 usage는 모두 비어 있습니다.

reasoning_content는 추가 요금이 있나요? 별도 스위치를 켤 필요는 없지만, 그것이 생성하는 reasoning tokens는 출력 사용량에 포함되어 출력 가격으로 과금되므로 단계가 높을수록 청구서가 커집니다.

컨텍스트 500K는 입력 상한인가요? 500K는 입력과 출력을 합친 창입니다. 입력이 200K에 가까워지면 장문 가격이 적용되며, 자세한 내용은 위의 「출시 전 주의사항」을 참조하세요.

---

더 깊이 알아보려면: 가격 계산은 Grok 4.7 API 얼마인가, 바로 복사할 수 있는 5가지 시나리오 프롬프트는 Grok 4.7 프롬프트 모음, 이전 세대 사용법은 Grok 4.6 모델 페이지를 참조하세요. 위의 pandas 프롬프트를 복사해 모델 페이지에서 첫 호출을 실행해 보세요.