GLM-4.7

Fiche modèle · Zhipu AI · glm-4.7

GLM 4.7 is a coding‑centric model that thinks before acting, preserves its reasoning across turns, and lets you control thinking per request for speed or accuracy. It upgrades agentic workflows with stronger multi‑step tool use, better terminal and multilingual coding, and a noticeable jump in UI output quality for modern, clean webpages and slides. You can use it in popular coding agents, call it via the Z.ai API, and even run it locally with public weights on HuggingFace and ModelScope using vLLM or SGLang.

Fiches modèles

Identité

Organisation	Zhipu AI
Pays	—
Famille	—
Type	llm
Date de sortie	2025-12-22
Licence	mit
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 358 Md > 107 Md
Modalités	text
Fenêtre de contexte	202 752
KV cache / token (Q8)	192.5 ko/token
Paramètres totaux	358 B
Paramètres actifs (session)	32 B
Source des paramètres actifs	web : https://github.com/zai-org/GLM-4.5
Curation des paramètres actifs	2026-11-04
Prix par session	0.75 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	6.30 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:40.230902Z
Mis à jour le	2026-11-04T06:05:13.925485Z
Source	LLM Stats
URL	https://llm-stats.com/models/glm-4.7

Tokens/tâche

IA Act — preuves fournisseur

ICA 2/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	0,0	35 %
Conformité droit d'auteur	0,0	35 %
Code of Practice GPAI	0,0	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — via AWS Bedrock (eurouter).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
AWS Bedrock	eurouter	partiel	—	—	—	202 752	—	—	—
DeepInfra	llm-stats	non	0.40 $	1.75 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.80
legal	0.80
math	0.80
physics	0.90
reasoning	0.70
search	0.60
finance	0.80
frontend_development	0.70
general	0.70
healthcare	0.80
agents	0.50
biology	0.90
chemistry	0.90
code	0.50
tool_calling	0.60
vision	0.40

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2025	math	0.96	1.00	0.96	non	oui	2026-11-04T06:05:13.940446Z
browsecomp	reasoning	0.52	1.00	0.52	non	oui	2026-11-04T06:05:13.961106Z
browsecomp-zh	reasoning	0.67	1.00	0.67	non	oui	2026-11-04T06:05:13.963976Z
gpqa	reasoning	0.86	1.00	0.86	non	oui	2026-11-04T06:05:13.931562Z
humanity's-last-exam	reasoning	0.43	1.00	0.43	non	oui	2026-11-04T06:05:13.937556Z
imo-answerbench	math	0.82	1.00	0.82	non	oui	2026-11-04T06:05:13.943509Z
livecodebench-v6	reasoning	0.85	1.00	0.85	non	oui	2026-11-04T06:05:13.946421Z
mmlu-pro	language	0.84	1.00	0.84	non	oui	2026-11-04T06:05:13.928522Z
swe-bench-multilingual	reasoning	0.67	1.00	0.67	non	oui	2026-11-04T06:05:13.952277Z
swe-bench-verified	reasoning	0.74	1.00	0.74	non	oui	2026-11-04T06:05:13.949401Z
tau-bench	general	0.87	1.00	0.87	non	oui	2026-11-04T06:05:13.966809Z
terminal-bench	reasoning	0.33	1.00	0.33	non	oui	2026-11-04T06:05:13.955274Z
terminal-bench-2	reasoning	0.41	1.00	0.41	non	oui	2026-11-04T06:05:13.958102Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	137	—	9.55	4	trueskill	2026-10-19	model_history
code	130	—	17.44	4	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04