Z.AI Logo

GLM-4.7：更强的 Coding

基座模型

GLM-4.7，您的新编程搭档，带来了以下功能：

  • 核心编程：与上一代 GLM-4.6 相比，GLM-4.7 在多语言编程智能体和基于终端的任务方面带来了显著提升，包括在 SWE-bench 上达到 (73.8%, +5.8%)，在 SWE-bench Multilingual 上达到 (66.7%, +12.9%)，以及在 Terminal Bench 2.0 上达到 (41%, +16.5%)。GLM-4.7 还支持在行动前思考，在 Claude Code、Kilo Code、Cline 和 Roo Code 等主流智能体框架中的复杂任务上表现显著提升。
  • 氛围编程：GLM-4.7 在 UI 质量方面迈出了重要一步。它能生成更整洁、更现代化的网页，并制作布局和尺寸更准确、外观更精美的幻灯片。
  • 工具调用：GLM-4.7 在工具使用方面实现了显著改进。在 $\tau^2$-Bench 等基准测试以及通过 BrowseComp 进行网页浏览的任务中，均可观察到显著更好的性能表现。
  • 复杂推理：GLM-4.7 在数学和推理能力方面实现了大幅提升，在 HLE（Humanity’s Last Exam）基准测试中相比 GLM-4.6 达到了 (42.8%, +12.4%) 的成绩。
您还可以在许多其他场景中看到显著改进，例如聊天、创意写作和角色扮演场景。
LLM Performance Evaluation: Agentic, Reasoning and Coding
基准性能。下表更详细地比较了 GLM-4.7 与其他模型（GPT-5、GPT-5.1-High、Claude Sonnet 4.5、Gemini 3.0 Pro、DeepSeek-V3.2、Kimi K2 Thinking）在 17 个基准测试（包括 8 个推理、5 个编程和 3 个智能体基准测试）中的表现。
Benchmark Performance
编程：AGI 是一段漫长的旅程，而基准测试只是评估性能的一种方式。虽然指标提供了必要的检查点，但最重要的仍然是一种感觉。真正的智能不仅仅是在考试中拿高分或更快地处理数据；最终，AGI 的成功将通过它如何无缝融入我们的生活来衡量——这一次是通过“编程”。

示例

前端开发展示

前端产物展示

海报展示

幻灯片制作展示

了解 GLM-4.7

交错式思考 & 保留式思考

GLM-4.7 增强了自 GLM-4.5 以来引入的交错式思考功能，并进一步引入了保留式思考和轮级思考。通过在行动之间思考并在多轮对话中保持一致性，它使复杂任务更加稳定和可控：
  • 交错式思考：GLM-4.7 在每次响应和工具调用前都会进行思考，从而提高了指令遵循和生成质量。
  • 保留式思考：在编程智能体场景中，GLM-4.7 会自动在多轮对话中保留所有思维块，复用现有的推理过程而非从头重新推导。这减少了信息丢失和不一致性，非常适合长期且复杂的任务。
  • 轮级思考：GLM-4.7 支持在会话内对每个轮次的推理进行控制——对轻量级请求禁用思维以降低延迟/成本，对复杂任务启用思维以提高准确性和稳定性。
GLM-4.7 enhances Interleaved Thinking

通过 BigModel.cn 平台调用 GLM-4.7 API

BigModel.cn API 平台提供 GLM-4.7 模型。有关全面的 API 文档和集成指南，请参阅 https://docs.bigmodel.cn/cn/guide/models/text/glm-4.7。同时，该模型也可通过 OpenRouter (https://openrouter.ai/) 在全球范围内使用。

在编程智能体中使用 GLM-4.7

GLM-4.7 现已可在编程智能体（Claude Code、Kilo Code、Roo Code、Cline 等）中使用。
对于 GLM Coding Plan 订阅用户：您将自动升级到 GLM-4.7。如果您之前自定义了应用配置（例如 Claude Code 中的 ~/.claude/settings.json），只需将模型名称更新为 "glm-4.7" 即可完成升级。
对于 新用户：订阅 GLM Coding Plan 意味着可以以极低的价格获得 Claude 级别的编程模型——价格仅为 1/7，使用额度却是 3 倍。立即开始构建：https://bigmodel.cn/glm-coding。

在 Z.ai 上与 GLM-4.7 聊天

GLM-4.7 可通过 Z.ai 访问。如果系统未自动切换，请尝试将模型选项更改为 GLM-4.7（那样的话就不太 AGI 了 :））。

本地部署 GLM-4.7

GLM-4.7 的模型权重已在 HuggingFace 和 ModelScope 上公开发布。对于本地部署，GLM-4.7 支持 vLLM 和 SGLang 等推理框架。全面的部署说明可在官方 GitHub 仓库中找到。

注

1：默认设置（大多数任务）：temperature 1.0，top-p 0.95，max new tokens 131072。对于多轮智能体任务（$\tau^2$-Bench 和 Terminal Bench 2），请启用 保留式思考 模式。
2：Terminal Bench 和 SWE-bench Verified 设置：temperature 0.7，top-p 1.0，max new tokens 16384。
3：$\tau^2$-Bench 设置：temperature 0，max new tokens 16384。对于 $\tau^2$-Bench，我们在零售和电信交互中添加了额外的提示，以避免因用户错误结束交互而导致的失败；对于航空领域，我们应用了 Claude Opus 4.5 发布报告中提出的领域修复方案。