Playground untuk GLM-4.7

Terokai Playground GLM-4.7 — persekitaran interaktif untuk menguji model dan menjalankan pertanyaan dalam masa nyata. Cuba prompt, laraskan parameter, dan ulangi serta-merta untuk mempercepatkan pembangunan dan mengesahkan kes penggunaan.

Apakah itu GLM-4.7

GLM-4.7 ialah model bahasa besar asas terbuka perdana terkini daripada Z.ai / Zhipu AI (nama model glm-4.7). Ia diposisikan sebagai model “berfikir” berorientasikan pembangun dengan penambahbaikan khusus dalam pengkodan/pelaksanaan tugas agentik, penaakulan berbilang langkah, pemanggilan alat, dan aliran kerja konteks panjang. Keluaran ini menekankan pengendalian konteks besar (sehingga 200K konteks), output maksimum tinggi (sehingga 128K token), dan mod “berfikir” khusus untuk pipeline agentik.

Ciri utama

Penambahbaikan agentik / penggunaan alat: Mod pemikiran terbina dalam (“Interleaved Thinking”, “Preserved Thinking”, kawalan aras giliran) untuk membolehkan model “berfikir sebelum bertindak”, mengekalkan penaakulan merentasi giliran, dan lebih stabil ketika memanggil alat atau melaksanakan tugas berbilang langkah. Ini disasarkan kepada aliran kerja ejen yang mantap (terminal, rantaian alat, pelayaran web).
Kecekapan pengkodan & terminal: Peningkatan ketara pada penanda aras pengkodan dan tugas automasi terminal — penanda aras vendor menunjukkan peningkatan jelas berbanding GLM-4.6 dalam metrik SWE-bench dan Terminal Bench. Ini membawa kepada penjanaan kod berbilang giliran yang lebih baik, penyusunan urutan arahan dan pemulihan dalam persekitaran ejen.
“Vibe coding” / kualiti output frontend: Kualiti UI/tataletak lalai yang dipertingkat untuk HTML, slaid dan persembahan yang dijana (tataletak lebih kemas, pensaizan, tetapan visual lalai yang lebih baik).
Aliran kerja konteks panjang: Tetingkap konteks 200K token dan alat untuk cache konteks; praktikal untuk pangkalan kod berbilang fail, dokumen panjang, dan sesi ejen berbilang pusingan.

Prestasi penanda aras

Jadual penanda aras daripada penerbit/penyelenggara GLM-4.7 dan komuniti melaporkan peningkatan besar berbanding GLM-4.6 serta keputusan berdaya saing berbanding model-model sezaman lain dalam tugas pengkodan, agentik dan penggunaan alat. Nombor terpilih (sumber: jadual yang diterbitkan rasmi oleh Hugging Face / Z.AI):

LiveCodeBench-v6 (penanda aras ejen pengkodan): 84.9 (SOTA sumber terbuka dinyatakan).
SWE-bench Verified (pengkodan): 73.8% (naik daripada 68.0% dalam GLM-4.6).
SWE-bench Multilingual: 66.7% (+12.9% berbanding GLM-4.6).
Terminal Bench 2.0 (tindakan terminal agentik): 41.0% (tambah baik +16.5% yang ketara berbanding 4.6).
HLE (penaakulan kompleks dengan alat): 42.8% apabila digunakan dengan alat (peningkatan besar dilaporkan berbanding versi sebelumnya).
τ²-Bench (pemanggilan alat interaktif): 87.4 (SOTA sumber terbuka yang dilaporkan).

Kes penggunaan tipikal & senario contoh

Pembantu pengkodan agentik: Penjanaan kod autonomi atau separa autonomi, pembaikan kod berbilang giliran, automasi terminal dan skrip CI/CD.
Ejen dipacu alat: Pelayaran web, orkestrasi API, aliran kerja berbilang langkah (disokong oleh pemikiran terpelihara & pemanggilan fungsi).
Penjanaan front-end dan UI: Kerangka laman web automatik, dek slaid, poster dengan estetika dan tataletak yang dipertingkat.
Penyelidikan & tugas konteks panjang: Pemeringkasan dokumen, sintesis literatur, dan penjanaan diperkukuh pengambilan maklumat merentasi dokumen panjang (tetingkap 200k token membantu di sini).
Ejen pendidikan interaktif / tutor pengkodan: Bimbingan berbilang giliran dengan penaakulan terpelihara yang mengingati blok penaakulan terdahulu sepanjang satu sesi.

Cara mengakses dan menggunakan API GLM 4.7

Langkah 1: Daftar untuk Kunci API

Log masuk ke cometapi.com. Jika anda belum menjadi pengguna kami, sila daftar terlebih dahulu. Log masuk ke konsol CometAPI. Dapatkan kunci API kelayakan akses untuk antaramuka tersebut. Klik “Add Token” pada token API di pusat peribadi, dapatkan kunci token: sk-xxxxx dan hantar.

Langkah 2: Hantar Permintaan ke API MiniMax M2.1

Pilih titik akhir “glm-4.7” untuk menghantar permintaan API dan tetapkan badan permintaan. Kaedah permintaan dan badan permintaan diperoleh daripada dokumen API di laman web kami. Laman kami juga menyediakan ujian Apifox untuk kemudahan anda. Gantikan <YOUR_API_KEY> dengan kunci CometAPI sebenar daripada akaun anda. Tempat memanggilnya: API gaya Chat.

Masukkan soalan atau permintaan anda ke dalam medan content—ini ialah perkara yang akan dijawab oleh model. Proseskan respons API untuk mendapatkan jawapan yang dijana.

Langkah 3: Peroleh dan Sahkan Hasil

Proseskan respons API untuk mendapatkan jawapan yang dijana. Selepas pemprosesan, API memberikan respons dengan status tugas dan

Harga untuk GLM-4.7

Terokai harga yang kompetitif untuk GLM-4.7, direka bentuk untuk memenuhi pelbagai bajet dan keperluan penggunaan. Pelan fleksibel kami memastikan anda hanya membayar untuk apa yang anda gunakan, menjadikannya mudah untuk meningkatkan skala apabila keperluan anda berkembang. Temui bagaimana GLM-4.7 boleh meningkatkan projek anda sambil mengekalkan kos yang terurus.

Harga Comet (USD / M Tokens)	Harga Rasmi (USD / M Tokens)
Masukan:$0.44/M Keluaran:$1.78/M	Masukan:$0.56/M Keluaran:$2.22/M

Kod contoh dan API untuk GLM-4.7

Akses kod sampel yang komprehensif dan sumber API untuk GLM-4.7 bagi memperlancar proses integrasi anda. Dokumentasi terperinci kami menyediakan panduan langkah demi langkah, membantu anda memanfaatkan potensi penuh GLM-4.7 dalam projek 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)

GLM-4.7