Playground para GLM-4.7

Explora el Playground de GLM-4.7 — un entorno interactivo para probar modelos y ejecutar consultas en tiempo real. Prueba prompts, ajusta parámetros e itera instantáneamente para acelerar el desarrollo y validar casos de uso.

Qué es GLM-4.7

GLM-4.7 es el más reciente modelo insignia de lenguaje de base abierta de Z.ai / Zhipu AI (nombre de modelo glm-4.7). Está posicionado como un modelo de “pensamiento” orientado a desarrolladores, con mejoras particulares en ejecución de tareas de codificación/agénticas, razonamiento de múltiples pasos, invocación de herramientas y flujos de trabajo de contexto largo. Esta versión enfatiza el manejo de contextos grandes (hasta 200K de contexto), un máximo de salida alto (hasta 128K tokens) y modos de “pensamiento” especializados para canalizaciones agénticas.

Características principales

Mejoras agénticas / de uso de herramientas: Modos de pensamiento integrados (“Interleaved Thinking”, “Preserved Thinking”, control a nivel de turno) para permitir que el modelo “piense antes de actuar”, conserve el razonamiento a lo largo de los turnos y sea más estable al invocar herramientas o ejecutar tareas de múltiples pasos. Está orientado a flujos de trabajo de agentes robustos (terminales, cadenas de herramientas, navegación web).
Codificación y competencia en terminal: Mejoras significativas en benchmarks de codificación y tareas de automatización de terminal — los benchmarks del proveedor muestran ganancias claras frente a GLM-4.6 en métricas de SWE-bench y Terminal Bench. Esto se traduce en mejor generación de código en múltiples turnos, secuenciación de comandos y recuperación en entornos agénticos.
“Vibe coding” / calidad de salida de frontend: Mejora de la calidad predeterminada de la UI/maquetación para HTML, diapositivas y presentaciones generadas (maquetaciones más limpias, dimensionamiento, mejores valores visuales predeterminados).
Flujos de trabajo de contexto largo: Ventana de contexto de 200K tokens y herramientas para almacenamiento en caché de contexto; práctico para bases de código de múltiples archivos, documentos largos y sesiones de agentes de múltiples rondas.

Rendimiento en benchmarks

Los editores/mantenedores de GLM-4.7 y las tablas de benchmarks de la comunidad informan de ganancias sustanciales frente a GLM-4.6 y resultados competitivos frente a otros modelos contemporáneos en tareas de codificación, agénticas y de uso de herramientas. Cifras seleccionadas (fuente: tablas oficiales publicadas en Hugging Face / Z.AI):

LiveCodeBench-v6 (benchmark de agente de codificación): 84.9 (SOTA de código abierto citado).
SWE-bench Verified (codificación): 73.8% (sube desde 68.0% en GLM-4.6).
SWE-bench Multilingual: 66.7% (+12.9% vs GLM-4.6).
Terminal Bench 2.0 (acciones de terminal agénticas): 41.0% (mejora notable de +16.5% respecto a 4.6).
HLE (razonamiento complejo con herramientas): 42.8% cuando se usa con herramientas (gran mejora reportada frente a versiones anteriores).
τ²-Bench (invocación de herramientas interactiva): 87.4 (SOTA de código abierto reportado).

Casos de uso típicos y escenarios de ejemplo

Asistentes de codificación agénticos: Generación de código autónoma o semiautónoma, correcciones de código en múltiples turnos, automatización de terminal y scripting de CI/CD.
Agentes impulsados por herramientas: Navegación web, orquestación de APIs, flujos de trabajo de múltiples pasos (respaldados por Preserved Thinking y llamadas a funciones).
Generación de front-end y UI: Estructuración automática de sitios web, presentaciones de diapositivas y pósteres con estética y maquetación mejoradas.
Investigación y tareas de contexto largo: Resumen de documentos, síntesis de literatura y generación aumentada con recuperación en documentos extensos (la ventana de 200k tokens es útil aquí).
Agentes educativos interactivos / tutores de codificación: Tutoría en múltiples turnos con razonamiento preservado que recuerda bloques de razonamiento previos a lo largo de una sesión.

Cómo acceder y usar la API de GLM 4.7

Paso 1: Regístrese para obtener una clave de API

Inicie sesión en cometapi.com. Si aún no es nuestro usuario, regístrese primero. Inicie sesión en su CometAPI console. Obtenga la credencial de acceso clave de API de la interfaz. Haga clic en “Add Token” en el token de API en el centro personal, obtenga la clave de token: sk-xxxxx y envíe.

Paso 2: Envíe solicitudes a la API MiniMax M2.1

Seleccione el endpoint “glm-4.7” para enviar la solicitud de API y establezca el cuerpo de la solicitud. El método y el cuerpo de la solicitud se obtienen de la documentación de la API en nuestro sitio web. Nuestro sitio web también proporciona prueba en Apifox para su comodidad. Reemplace <YOUR_API_KEY> con su clave real de CometAPI de su cuenta. Dónde llamarlo: APIs de estilo Chat.

Inserte su pregunta o solicitud en el campo content—esto es a lo que responderá el modelo . Procese la respuesta de la API para obtener la respuesta generada.

Paso 3: Recuperar y verificar resultados

Procese la respuesta de la API para obtener la respuesta generada. Después del procesamiento, la API responde con el estado de la tarea y

Precios para GLM-4.7

Explora precios competitivos para GLM-4.7, diseñado para adaptarse a diversos presupuestos y necesidades de uso. Nuestros planes flexibles garantizan que solo pagues por lo que uses, facilitando el escalado a medida que crecen tus requisitos. Descubre cómo GLM-4.7 puede mejorar tus proyectos mientras mantienes los costos manejables.

Precio de Comet (USD / M Tokens)	Precio Oficial (USD / M Tokens)
Entrada:$0.44/M Salida:$1.78/M	Entrada:$0.56/M Salida:$2.22/M

Código de ejemplo y API para GLM-4.7

Accede a código de muestra completo y recursos de API para GLM-4.7 para agilizar tu proceso de integración. Nuestra documentación detallada proporciona orientación paso a paso, ayudándote a aprovechar todo el potencial de GLM-4.7 en tus proyectos.

Python
JavaScript
Curl

from openai import OpenAI
import os

# Get your CometAPI key from https://api.cometapi.com/console/token
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"
BASE_URL = "https://api.cometapi.com/v1"

client = OpenAI(base_url=BASE_URL, api_key=COMETAPI_KEY)

# glm-4.7: Zhipu GLM-4.7 model via chat/completions
completion = client.chat.completions.create(
    model="glm-4.7",
    messages=[
        {"role": "user", "content": "Hello! Tell me a short joke."}
    ]
)

print(completion.choices[0].message.content)

GLM-4.7