Как использовать API Grok 4.7? Первый вызов за 5 минут

TL;DR

• Grok 4.7 — текстовая модель xAI для кодинга и agentic-задач, уже доступна в HiAPI: откройте страницу модели и можно сразу общаться, новым пользователям при регистрации дают 200 кредитов.
• Цена на платформе: $0.84 вход / $2.52 выход (за 1M токенов, чтение кэша $0.21) — скидка около 58% от официальной цены. Один запрос на 2K входа + 1K выхода стоит около $0.0042; при среднем запросе на 3K токенов (около $0.0084 за раз) $10 хватит примерно на 1200 вызовов.
• Быстрый вызов: POST https://api.hiapi.ai/v1/chat/completions, в model укажите grok-4.7 — в существующем коде с OpenAI SDK нужно поменять только два значения: base_url и model.

Что такое Grok 4.7 и что в ней нового

Выпущенная 2026-09-21 Grok 4.7 — текущая рекомендованная модель xAI по умолчанию, ориентированная на кодинг, agentic-задачи и интеллектуальную работу. Заявленный официально результат Terminal-Bench 4.0 вырос с 20.3% у 4.6 до 38.0% — почти вдвое (по данным самой компании). Для вызывающей стороны важны четыре изменения:

• Кодинг и agentic — основные сценарии: официально модель сразу встроили в такие инструменты для кодинга, как Cursor и GitHub Copilot; способность планировать долгосрочные задачи — главный акцент этой версии.
• Четыре уровня рассуждений: reasoning_effort поддерживает low / medium / high / xhigh, по умолчанию high; процесс размышления возвращается отдельно в поле reasoning_content, так что вы сами решаете, показывать его или нет.
• JSON-объект + вызов инструментов: response_format: {"type": "json_object"} принудительно даёт валидный JSON, вызов функций идёт в стандартном формате OpenAI tools — для структурированного извлечения данных и agent-циклов не нужно ничего дополнительно оборачивать.
• Контекст 500K: в один запрос можно вместить целую кодовую базу или большой фрагмент документации.

Реальный результат: код анализа данных на pandas

Приведённый ниже вывод мы получили, реально запустив Grok 4.7 в HiAPI (полный промпт — по ссылке ниже). Задача — проанализировать данные заказов интернет-магазина: месячный GMV, топ-20 пользователей по суммарным тратам, динамика среднего размера первого заказа новых пользователей, причём created_at — строка. Модель справилась за 18,5 секунды, код полностью рабочий, преобразование строковых дат она обработала самостоятельно:

# ---------- 0. Обработка дат: строка в datetime ----------
df["created_at"] = pd.to_datetime(df["created_at"], errors="coerce")
df = df.dropna(subset=["created_at", "amount", "user_id"])

# Учитываем только валидные заказы (настройте значения status под реальный бизнес)
df_valid = df[df["status"] == "paid"].copy()

# ---------- 1. GMV и число заказов по месяцам ----------
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")
)

В этом запуске было 3440 токенов входа и 1427 токенов выхода — по цене платформы около $0.007. Хотите такой же результат — просто нажмите и прогоните этот промпт на странице модели →

Два пути к началу работы

Путь первый: браузер, 3 шага, без кода

1. Откройте страницу модели Grok 4.7, войдите или зарегистрируйтесь (новым пользователям — 200 кредитов).
2. Вставьте свой промпт в диалоговое окно — например, нажмите эту ссылку — промпт подставится автоматически.
3. Просто отправьте — кредиты спишутся по фактическому расходу токенов.

Путь второй: API, 3 шага, интеграция в ваше приложение

1. Создайте API Key в консоли HiAPI.
2. Замените YOUR_HIAPI_API_KEY в curl ниже на свой ключ и выполните запрос.
3. Зафиксируйте model как grok-4.7, подставьте свой бизнес-ввод в messages — готово.

curl: первый вызов

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
  }'

В ответе choices[0].message.content — основной текст, reasoning_content — процесс размышления; usage.completion_tokens_details.reasoning_tokens отдельно сообщает, сколько токенов ушло на рассуждения в этот раз. Для потокового вывода добавьте "stream": true и разбирайте SSE.

Python: без потока + потоковый режим

Без потока достаточно requests:

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"])

В потоковом режиме обратите внимание на два момента: сначала приходит delta.reasoning_content — процесс размышления, и только потом delta.content — основной текст; usage есть только в последнем chunk (где choices пустой), а завершается всё строкой data: [DONE]:

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"])  # usage есть только в последнем chunk
            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)

Таблица параметров

Поле	Обязательно	Значения	Описание
model	Да	grok-4.7	Всегда указывайте этот ID
messages	Да	Массив сообщений в формате OpenAI	Поддерживаются роли system / user / assistant / tool
reasoning_effort	Нет	low / medium / high / xhigh, по умолчанию high	Интенсивность рассуждений; процесс размышления возвращается в reasoning_content
max_tokens	Нет	Положительное целое число	Верхний предел вывода, включая reasoning-токены; если задать слишком мало, рассуждения обрежутся первыми
response_format	Нет	{"type": "json_object"}	Принудительно возвращает валидный JSON, подходит для структурированного извлечения данных
tools	Нет	Массив function calling в формате OpenAI	Вызов инструментов, поддерживается возврат результатов tool в несколько раундов
stream	Нет	true / false, по умолчанию false	Потоковый вывод SSE; usage — в последнем chunk

Ошибки, с которыми вы столкнётесь

Самые частые грабли при переносе кода с других моделей: grok-4.7 не поддерживает три параметра — frequency_penalty, presence_penalty и stop; если их передать, сразу вернётся 400. reasoning_effort принимает только четыре уровня low / medium / high / xhigh — при неверном значении интерфейс вернёт как есть: reasoning_effort: is outside allowed values; поля вне протокола тоже не пройдут — при нашем тестировании мы добавили незарегистрированное поле и получили от интерфейса request.zz: unregistered public parameter.

Решение простое: удалите эти три параметра, укажите правильный уровень и отправьте заново. Для остальных 4xx сначала смотрите error.code, а уже потом правьте код — не угадывайте.

Что учесть перед запуском в продакшен

• Reasoning-токены тарифицируются как выходные. Один ответ на уровне high может содержать десятки тысяч токенов размышлений, которые попадут в счёт по $2.52/M. Для простых задач снизить reasoning_effort до low или medium — самый прямой переключатель экономии; проверить это число отдельно можно по usage.completion_tokens_details.reasoning_tokens.
• Запрос целиком свыше 200K переходит на другой тариф. Когда prompt достигает 200K токенов (контрактный порог — 199,999), весь запрос тарифицируется по цене длинного текста: вход $1.68 / выход $5.04 / чтение кэша $0.42 — вдвое дороже обычного тарифа. Держите обычный трафик ниже 200K и не заливайте в модель всю кодовую базу без разбора.
• Чтение кэша стоит всего четверть полной цены. Повторяющиеся длинные system prompt и префиксы многораундовых диалогов автоматически попадают в кэш; чтение кэша — $0.21/M (четверть полной цены $0.84/M). В agent-циклах держите префикс стабильным — счёт заметно порадует.

Частые вопросы

Как выбрать между Grok 4.7 и Grok 4.6? Цена на платформе полностью одинаковая ($0.84/$2.52). Для сложного кодинга и agentic-задач выбирайте 4.7 (официальная рекомендация по умолчанию), для простых задач с экономией токенов можно остаться на 4.6. Подробное сравнение — в статье Grok 4.7 vs Grok 4.6.

Поддерживается ли потоковый вывод? Да, стандартный SSE. Учтите, что usage возвращается только в последнем chunk, а в предыдущих usage пустой.

Нужно ли доплачивать за reasoning_content? Отдельный переключатель не нужен, но порождаемые reasoning-токены входят в объём выхода и тарифицируются по цене выхода, поэтому чем выше уровень, тем толще счёт.

Контекст 500K — это лимит входа? 500K — это общее окно «вход + выход». Когда вход приближается к 200K, срабатывает цена длинного текста — подробности в разделе «Что учесть перед запуском в продакшен» выше.

---

Хотите копнуть глубже: расчёты по цене — в статье Сколько стоит API Grok 4.7, 5 готовых к копированию промптов для сценариев — в Полном сборнике промптов Grok 4.7, использование предыдущего поколения — на странице модели Grok 4.6. Скопируйте промпт про pandas выше и сделайте свой первый вызов на странице модели.