Home/Models/Zhipu AI/GLM-4.7
Z

GLM-4.7

Inndata:$0.96/M
Utdata:$3.84/M
Kontekst:200K
Maks utdata:128K
GLM-4.7 er Z.AIs nyeste flaggskipmodell, med oppgraderinger på to nøkkelområder: forbedrede programmeringsevner og mer stabil flertrinnsresonnering/utførelse. Den viser betydelige forbedringer i utførelsen av komplekse agentoppgaver, samtidig som den leverer mer naturlige samtaleopplevelser og overlegen front-end-estetikk.
Ny
Kommersiell bruk
Playground
Oversikt
Funksjoner
Priser
API

Hva GLM-4.7 er

GLM-4.7 er Z.ai / Zhipu AIs nyeste flaggskip, en åpen foundation-stor språkmodell (modellnavn glm-4.7). Den er posisjonert som en utviklerorientert «tenkende» modell med særskilte forbedringer i koding/agentiske oppgaveutførelser, flerstegsresonnering, kall av verktøy og arbeidsflyter med lang kontekst. Utgivelsen vektlegger håndtering av stor kontekst (opptil 200K kontekst), høy maksimal utdata (opptil 128K tokens) og spesialiserte «tenkemoduser» for agentiske pipelines.

Hovedfunksjoner

  • Forbedringer for agent- og verktøybruk: Innebygde tenkemoduser («Interleaved Thinking», «Preserved Thinking», styring på omgangsnivå) som lar modellen «tenke før den handler», bevare resonnement på tvers av omganger og være mer stabil ved kall av verktøy eller utføring av flerstegsoppgaver. Dette er rettet mot robuste agent-arbeidsflyter (terminaler, verktøykjeder, nettlesing).
  • Koding og terminalkompetanse: Betydelige forbedringer på kodebenchmarks og terminalautomatiseringsoppgaver — leverandørens benchmarker viser klare gevinster vs GLM-4.6 i SWE-bench og Terminal Bench-metrikker. Dette gir bedre fleromgangs kodegenerering, kommandosekvensering og gjenoppretting i agentmiljøer.
  • «Vibe coding» / front-end-utgangskvalitet: Forbedret standard UI-/layoutkvalitet for generert HTML, lysbilder og presentasjoner (renere layouter, størrelsesoppsett, bedre visuelle standarder).
  • Arbeidsflyter med lang kontekst: 200K tokens kontekstvindu og verktøy for kontekstbuffering; praktisk for kodebaser med flere filer, lange dokumenter og fleromgangs agentsesjoner.

Benchmark-ytelse

Utgiverne/vedlikeholderne av GLM-4.7 og fellesskapets benchmark-tabeller rapporterer betydelige gevinster vs GLM-4.6 og konkurransedyktige resultater mot andre samtidige modeller på koding, agentiske oppgaver og verktøybruk. Utvalgte tall (kilde: offisielle tabeller publisert av Hugging Face / Z.AI):

  • LiveCodeBench-v6 (koding-agent-benchmark): 84.9 (oppgitt open-source SOTA).
  • SWE-bench Verified (koding): 73.8% (opp fra 68.0% i GLM-4.6).
  • SWE-bench Multilingual: 66.7% (+12.9% vs GLM-4.6).
  • Terminal Bench 2.0 (agentiske terminalhandlinger): 41.0% (merkbar +16.5% forbedring over 4.6).
  • HLE (komplekst resonnement med verktøy): 42.8% når den brukes med verktøy (stor forbedring rapportert vs tidligere versjoner).
  • τ²-Bench (interaktivt verktøykall): 87.4 (rapportert open-source SOTA).

Typiske brukstilfeller og eksempelscenarier

  • Agentiske kodeassistenter: Autonom eller semi-autonom kodegenerering, fleromgangs kodefikser, terminalautomatisering og CI/CD-skripting.
  • Verktøystyrte agenter: Nettlesing, API-orkestrering, flerstegs arbeidsflyter (støttet av bevart resonnement og funksjonskall).
  • Front-end og UI-generering: Automatisk nettstedskjelett, lysbildeserier, plakater med forbedret estetikk og layout.
  • Forskning og oppgaver med lang kontekst: Dokumentsammendrag, litteratursyntese og gjenfinning-forsterket generering på tvers av lange dokumenter (200k token-vindu er nyttig her).
  • Interaktive læringsagenter / kodeveiledere: Fleromgangs veiledning med bevart resonnement som husker tidligere resonnementblokker gjennom en økt.

Slik får du tilgang til og bruker GLM 4.7 API

Trinn 1: Registrer deg for API-nøkkel

Logg inn på cometapi.com. Hvis du ikke er bruker hos oss ennå, registrer deg først. Logg inn i CometAPI-konsollen. Hent API-nøkkelen (tilgangslegitimasjonen) for grensesnittet. Klikk «Add Token» ved API-token i det personlige senteret, hent token-nøkkelen: sk-xxxxx og send inn.

Trinn 2: Send forespørsler til MiniMax M2.1 API

Velg «glm-4.7»-endepunktet for å sende API-forespørselen og angi forespørselskroppen. Forespørselsmetoden og forespørselskroppen hentes fra API-dokumentasjonen på nettstedet vårt. Nettstedet vårt tilbyr også Apifox-test for enkelhets skyld. Erstatt <YOUR_API_KEY> med din faktiske CometAPI-nøkkel fra kontoen din. Hvor du kaller den: Chat-stil API-er.

Sett inn spørsmålet eller forespørselen din i content-feltet — det er dette modellen svarer på. Prosesser API-responsen for å få det genererte svaret.

Trinn 3: Hent og verifiser resultater

Prosesser API-responsen for å få det genererte svaret. Etter behandling svarer API-et med oppgavestatus og

Funksjoner for GLM-4.7

Utforsk nøkkelfunksjonene til GLM-4.7, designet for å forbedre ytelse og brukervennlighet. Oppdag hvordan disse mulighetene kan være til nytte for prosjektene dine og forbedre brukeropplevelsen.

Priser for GLM-4.7

Utforsk konkurransedyktige priser for GLM-4.7, designet for å passe ulike budsjetter og bruksbehov. Våre fleksible planer sikrer at du bare betaler for det du bruker, noe som gjør det enkelt å skalere etter hvert som kravene dine vokser. Oppdag hvordan GLM-4.7 kan forbedre prosjektene dine samtidig som kostnadene holdes håndterbare.
Komet-pris (USD / M Tokens)Offisiell pris (USD / M Tokens)Rabatt
Inndata:$0.96/M
Utdata:$3.84/M
Inndata:$1.2/M
Utdata:$4.8/M
-20%

Eksempelkode og API for GLM-4.7

Få tilgang til omfattende eksempelkode og API-ressurser for GLM-4.7 for å effektivisere integreringsprosessen din. Vår detaljerte dokumentasjon gir trinn-for-trinn-veiledning som hjelper deg med å utnytte det fulle potensialet til GLM-4.7 i prosjektene dine.
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)

Flere modeller