ModelDukunganPerusahaanBlog
500+ API Model AI, Semua Dalam Satu API. Hanya Di CometAPI
API Model
Pengembang
Mulai CepatDokumentasiDasbor API
Sumber Daya
Model AIBlogPerusahaanCatatan PerubahanTentang
2025 CometAPI. Semua hak dilindungi undang-undang.Kebijakan PrivasiSyarat dan Ketentuan Layanan
Home/Models/Zhipu AI/GLM-4.7
Z

GLM-4.7

Masukan:$0.96/M
Keluaran:$3.84/M
Konteks:200K
Keluaran Maksimum:128K
GLM-4.7 adalah model unggulan terbaru dari Z.AI, dengan peningkatan di dua area kunci: kemampuan pemrograman yang ditingkatkan dan penalaran/eksekusi multi-langkah yang lebih stabil. Model ini menunjukkan peningkatan signifikan dalam mengeksekusi tugas agen yang kompleks sekaligus menghadirkan pengalaman percakapan yang lebih alami dan estetika front-end yang lebih unggul.
Baru
Penggunaan komersial
Playground
Ikhtisar
Fitur
Harga
API

Apa itu GLM-4.7

GLM-4.7 adalah model bahasa besar open-foundation andalan terbaru dari Z.ai / Zhipu AI (nama model glm-4.7). Model ini diposisikan sebagai model “thinking” yang berorientasi pada pengembang dengan peningkatan khusus pada coding/eksekusi tugas agentic, penalaran multi-langkah, pemanggilan tool, dan alur kerja konteks panjang. Rilis ini menekankan kemampuan menangani konteks besar (hingga 200K konteks), output maksimum tinggi (hingga 128K token), dan mode “thinking” khusus untuk pipeline agentic.

Fitur utama

  • Peningkatan agentic / penggunaan tool: Mode thinking bawaan (“Interleaved Thinking”, “Preserved Thinking”, kontrol tingkat giliran) memungkinkan model untuk “berpikir sebelum bertindak”, mempertahankan penalaran antar giliran, dan lebih stabil saat memanggil tool atau mengeksekusi tugas multi-langkah. Ini ditujukan untuk alur kerja agent yang tangguh (terminal, rantai tool, penelusuran web).
  • Kemampuan coding & terminal: Peningkatan signifikan pada benchmark coding dan tugas otomasi terminal — benchmark vendor menunjukkan peningkatan yang jelas dibanding GLM-4.6 pada metrik SWE-bench dan Terminal Bench. Ini berarti generasi kode multi-giliran, pengurutan perintah, dan pemulihan yang lebih baik di lingkungan agent.
  • “Vibe coding” / kualitas output frontend: Kualitas UI/tata letak default yang lebih baik untuk HTML, slide, dan presentasi yang dihasilkan (tata letak lebih rapi, ukuran lebih baik, default visual lebih bagus).
  • Alur kerja konteks panjang: Jendela konteks 200K token dan tool untuk caching konteks; praktis untuk codebase multi-file, dokumen panjang, dan sesi agent multi-putaran.

Performa benchmark

Penerbit/pemelihara GLM-4.7 dan tabel benchmark komunitas melaporkan peningkatan besar dibanding GLM-4.6 serta hasil yang kompetitif terhadap model kontemporer lainnya pada tugas coding, agentic, dan penggunaan tool. Beberapa angka terpilih (sumber: tabel resmi yang dipublikasikan di Hugging Face / Z.AI):

  • LiveCodeBench-v6 (benchmark agent coding): 84.9 (diklaim sebagai open-source SOTA).
  • SWE-bench Verified (coding): 73.8% (naik dari 68.0% pada GLM-4.6).
  • SWE-bench Multilingual: 66.7% (+12.9% dibanding GLM-4.6).
  • Terminal Bench 2.0 (aksi terminal agentic): 41.0% (peningkatan signifikan +16.5% dibanding 4.6).
  • HLE (penalaran kompleks dengan tool): 42.8% saat digunakan dengan tool (dilaporkan meningkat besar dibanding versi sebelumnya).
  • τ²-Bench (pemanggilan tool interaktif): 87.4 (dilaporkan sebagai open-source SOTA).

Kasus penggunaan umum & contoh skenario

  • Asisten coding agentic: Pembuatan kode otonom atau semi-otonom, perbaikan kode multi-giliran, otomasi terminal, dan scripting CI/CD.
  • Agent berbasis tool: Penelusuran web, orkestrasi API, alur kerja multi-langkah (didukung oleh preserved thinking & function calling).
  • Pembuatan front-end dan UI: Pembuatan kerangka website otomatis, deck slide, poster dengan estetika dan tata letak yang lebih baik.
  • Riset & tugas konteks panjang: Ringkasan dokumen, sintesis literatur, dan retrieval-augmented generation pada dokumen panjang (jendela 200k token sangat membantu di sini).
  • Agent edukasi interaktif / tutor coding: Bimbingan multi-giliran dengan penalaran yang dipertahankan, yang mengingat blok penalaran sebelumnya sepanjang sesi.

Cara mengakses dan menggunakan API GLM 4.7

Langkah 1: Daftar untuk Mendapatkan API Key

Masuk ke cometapi.com. Jika Anda belum menjadi pengguna kami, silakan daftar terlebih dahulu. Masuk ke konsol CometAPI Anda. Dapatkan kredensial akses berupa API key untuk antarmuka tersebut. Klik “Add Token” pada bagian API token di pusat personal, dapatkan token key: sk-xxxxx lalu kirimkan.

Langkah 2: Kirim Request ke API MiniMax M2.1

Pilih endpoint “glm-4.7” untuk mengirim request API dan atur body request. Metode request dan body request dapat diperoleh dari dokumentasi API di website kami. Website kami juga menyediakan pengujian Apifox untuk kenyamanan Anda. Ganti <YOUR_API_KEY> dengan CometAPI key aktual dari akun Anda. Tempat memanggilnya: API bergaya Chat.

Masukkan pertanyaan atau permintaan Anda ke dalam field content—itulah yang akan dijawab oleh model. Proses respons API untuk mendapatkan jawaban yang dihasilkan.

Langkah 3: Ambil dan Verifikasi Hasil

Proses respons API untuk mendapatkan jawaban yang dihasilkan. Setelah diproses, API merespons dengan status tugas dan

Fitur untuk GLM-4.7

Jelajahi fitur-fitur utama dari GLM-4.7, yang dirancang untuk meningkatkan performa dan kegunaan. Temukan bagaimana kemampuan-kemampuan ini dapat menguntungkan proyek Anda dan meningkatkan pengalaman pengguna.

Harga untuk GLM-4.7

Jelajahi harga kompetitif untuk GLM-4.7, dirancang untuk berbagai anggaran dan kebutuhan penggunaan. Paket fleksibel kami memastikan Anda hanya membayar untuk apa yang Anda gunakan, memudahkan untuk meningkatkan skala seiring berkembangnya kebutuhan Anda. Temukan bagaimana GLM-4.7 dapat meningkatkan proyek Anda sambil menjaga biaya tetap terkendali.
Harga Comet (USD / M Tokens)Harga Resmi (USD / M Tokens)Diskon
Masukan:$0.96/M
Keluaran:$3.84/M
Masukan:$1.2/M
Keluaran:$4.8/M
-20%

Kode contoh dan API untuk GLM-4.7

Akses kode sampel komprehensif dan sumber daya API untuk GLM-4.7 guna mempermudah proses integrasi Anda. Dokumentasi terperinci kami menyediakan panduan langkah demi langkah, membantu Anda memanfaatkan potensi penuh GLM-4.7 dalam proyek Anda.
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)

Python Code Example

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)

JavaScript Code Example

import OpenAI from "openai";

// Get your CometAPI key from https://api.cometapi.com/console/token
const COMETAPI_KEY = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";
const BASE_URL = "https://api.cometapi.com/v1";

const client = new OpenAI({
  apiKey: COMETAPI_KEY,
  baseURL: BASE_URL,
});

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

  console.log(completion.choices[0].message.content);
}

main().catch(console.error);

Curl Code Example

#!/bin/bash

# Get your CometAPI key from https://api.cometapi.com/console/token
COMETAPI_KEY="${COMETAPI_KEY:-<YOUR_COMETAPI_KEY>}"

# glm-4.7: Zhipu GLM-4.7 model via chat/completions
curl -s https://api.cometapi.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -d '{
    "model": "glm-4.7",
    "messages": [
      {
        "role": "user",
        "content": "Hello! Tell me a short joke."
      }
    ]
  }'

Model Lainnya

A

Claude Opus 4.6

Masukan:$4/M
Keluaran:$20/M
Claude Opus 4.6 adalah model bahasa besar kelas “Opus” dari Anthropic, dirilis pada Februari 2026. Model ini diposisikan sebagai andalan untuk pekerjaan berbasis pengetahuan dan alur kerja riset — meningkatkan penalaran dalam konteks panjang, perencanaan multi-langkah, penggunaan alat (termasuk alur kerja perangkat lunak berbasis agen), serta tugas penggunaan komputer seperti pembuatan slide dan spreadsheet secara otomatis.
A

Claude Sonnet 4.6

Masukan:$2.4/M
Keluaran:$12/M
Claude Sonnet 4.6 adalah model Sonnet kami yang paling mumpuni sejauh ini. Ini merupakan peningkatan menyeluruh atas keahlian model di bidang pemrograman, penggunaan komputer, penalaran konteks panjang, perencanaan agen, pekerjaan berbasis pengetahuan, dan desain. Sonnet 4.6 juga menyertakan jendela konteks 1M token dalam tahap beta.
O

GPT-5.4 nano

Masukan:$0.16/M
Keluaran:$1/M
GPT-5.4 nano dirancang untuk tugas-tugas di mana kecepatan dan biaya paling penting, seperti klasifikasi, ekstraksi data, pemeringkatan, dan sub-agen.
O

GPT-5.4 mini

Masukan:$0.6/M
Keluaran:$3.6/M
GPT-5.4 mini menghadirkan keunggulan GPT-5.4 ke model yang lebih cepat dan lebih efisien, dirancang untuk beban kerja bervolume tinggi.
A

Claude Mythos Preview

A

Claude Mythos Preview

Segera hadir
Masukan:$60/M
Keluaran:$240/M
Claude Mythos Preview adalah model frontier kami yang paling mumpuni hingga saat ini, dan menunjukkan lompatan skor yang mencolok pada banyak tolok ukur evaluasi dibandingkan dengan model frontier kami sebelumnya, Claude Opus 4.6.
X

mimo-v2-pro

Masukan:$0.8/M
Keluaran:$2.4/M
MiMo-V2-Pro adalah model fondasi unggulan Xiaomi, dengan total lebih dari 1T parameter dan panjang konteks 1M, yang dioptimalkan secara mendalam untuk skenario agentic. Model ini sangat mudah beradaptasi dengan kerangka agent umum seperti OpenClaw. Model ini berada di jajaran teratas global dalam tolok ukur standar PinchBench dan ClawBench, dengan performa yang dirasakan mendekati Opus 4.6. MiMo-V2-Pro dirancang untuk berfungsi sebagai otak sistem agent, mengorkestrasi alur kerja yang kompleks, mendorong tugas rekayasa produksi, dan memberikan hasil secara andal.

Blog Terkait

GLM-5 vs GLM-4.7: apa yang berubah, apa yang penting, dan haruskah Anda melakukan upgrade?
Feb 26, 2026
glm-5
glm-4-7

GLM-5 vs GLM-4.7: apa yang berubah, apa yang penting, dan haruskah Anda melakukan upgrade?

GLM-5, dirilis pada 11 Februari 2026 oleh Zhipu AI (Z.ai), mewakili lompatan arsitektural besar dari GLM-4.7: skala MoE lebih besar (≈744B vs ~355B jumlah parameter total), kapasitas parameter aktif lebih tinggi, halusinasi terukur lebih rendah, dan peningkatan jelas pada benchmark agentic dan pemrograman — dengan biaya pada kompleksitas inferensi dan (kadang-kadang) latensi.
Bagaimana cara menggunakan GLM-4.7-Flash secara lokal?
Jan 21, 2026
glm-4-7
glm-4-7

Bagaimana cara menggunakan GLM-4.7-Flash secara lokal?

GLM-4.7-Flash adalah anggota 30B A3B MoE yang ringan dan berkinerja tinggi dari keluarga GLM-4.7, dirancang untuk memungkinkan penyebaran lokal dan berbiaya rendah untuk pemrograman, alur kerja berbasis agen, dan penalaran umum. Anda dapat menjalankannya secara lokal dengan tiga cara praktis: (1) melalui Ollama (mudah, runtime lokal terkelola), (2) melalui Hugging Face / Transformers / vLLM / SGLang (penyebaran server yang mengutamakan GPU), atau (3) melalui GGUF + llama.cpp / llama-cpp-python (ramah CPU/perangkat tepi).
GLM-4.7 Dirilis: Apa Artinya Ini bagi Kecerdasan AI?
Dec 23, 2025
glm-4-7

GLM-4.7 Dirilis: Apa Artinya Ini bagi Kecerdasan AI?

Pada 22 Desember 2025, Zhipu AI (Z.ai) secara resmi merilis GLM-4.7, iterasi terbaru dalam keluarga General Language Model (GLM) — menarik perhatian global di dunia model AI sumber terbuka. Model ini tidak hanya meningkatkan kemampuan dalam tugas pemrograman dan penalaran, tetapi juga menantang dominasi model berpemilik seperti GPT-5.2 dan Claude Sonnet 4.5 dalam tolok ukur kunci.