Les poids de GLM-4.7 sont-ils ouverts et puis-je l’exécuter localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face à zai-org/GLM-4.7, vous pouvez donc télécharger et auto-héberger le modèle. Vérifiez la licence du dépôt avant toute utilisation commerciale.

Quel est le coût de GLM-4.7 et quelle est la taille de son contexte ?

L’API de Z.ai facture 0,60 $ par million de tokens d’entrée et 2,20 $ par million de tokens de sortie, avec une fenêtre de contexte de 204 800 tokens.

En quoi GLM-4.7 diffère-t-il de GLM-4.6 ?

GLM-4.7 concentre ses améliorations sur le codage agentique, l’utilisation d’outils et le raisonnement : le fabricant rapporte des gains d’environ 6 points sur SWE-bench Verified, 13 points sur SWE-bench Multilingual, 16 points sur Terminal Bench 2.0, et 12 points sur le benchmark de raisonnement HLE par rapport à GLM-4.6.

GLM 4.7

5539°

#llm #z-ai #raisonnement #programmation #agents #mathématiques

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Z.ai | contexte de 204 800 tokens | 0,60 $/M en entrée, 2,20 $/M en sortie. GLM-4.7 est le dernier modèle phare de Z.ai, présentant des améliorations dans deux domaines clés : capacités de programmation renforcées et raisonnement/exécution multi-étapes plus stable. Il montre des progrès significatifs dans l'exécution de tâches agent complexes tout en offrant des expériences conversationnelles plus naturelles et une esthétique front-end supérieure.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

GLM-4.7 est le modèle de texte phare actuel de Z.ai, conçu autour du codage agentique et du raisonnement en plusieurs étapes. Il dispose de poids ouverts et d’un contexte de 204 800 tokens, et ses gains de performance par rapport à GLM-4.6 sont substantiels en codage, mathématiques et utilisation d’outils. Il convient aux développeurs qui souhaitent une alternative performante et auto-hébergeable aux modèles fermés de pointe sans payer les prix élevés de ces derniers.

Connu pour

Codage agentique puissant, incluant des tâches multilingues au niveau des dépôts via SWE-bench
Support du raisonnement avant action dans Claude Code, Cline, Roo Code et cadres similaires
Améliorations solides en mathématiques et raisonnement par rapport à son prédécesseur sur les benchmarks AIME et HMMT
Progrès en utilisation d’outils et navigation web mesurés sur τ²-Bench et BrowseComp
Poids ouverts disponibles sur Hugging Face pour déploiement local ou auto-hébergé

Attention à

Les tokens de sortie coûtent 2,20 $/M, donc les longues sessions agentiques avec de nombreux appels d’outils peuvent vite devenir coûteuses.
Le fabricant n’a pas publié de résumé de licence sur la fiche du modèle ; vérifiez les conditions avant toute utilisation commerciale.
Gemini 3.0 Pro et GPT-5-High le surpassent sur plusieurs benchmarks dans le tableau comparatif du fabricant.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Mathématiques

Fonctionne localement

Prompts à essayer

Corriger un vrai problème GitHub

Voici un dépôt Python avec un bug : la fonction `parse_config` dans `config.py` lève une KeyError lorsque le fichier de configuration ne contient pas la clé `timeout`. Écrivez une correction minimale prête pour la production, ajoutez un test unitaire couvrant le cas de clé manquante, et expliquez en un paragraphe pourquoi votre approche est plus sûre qu’un simple accès direct au dictionnaire.

Énigme de raisonnement en plusieurs étapes

Un fermier a 17 moutons. Tous sauf 9 meurent. Il achète ensuite assez de moutons pour doubler son troupeau, vend un tiers du total, et en donne 4 à son voisin. Combien de moutons lui reste-t-il ? Montrez chaque étape de votre raisonnement avant de donner le nombre final, et signalez toute ambiguïté dans l’énoncé.

Plan agentique avec appels d’outils

Vous travaillez dans un terminal. J’ai besoin que vous écriviez un script bash qui : vérifie si Python 3.11 ou supérieur est installé, crée un environnement virtuel s’il n’existe pas, installe les paquets d’un requirements.txt que je fournirai, et lance pytest. Affichez le script, puis expliquez ce que fait chaque bloc et ce qui pourrait mal tourner à chaque étape.

Comparer avec

GLM 5.3 FlashX
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.37/M, sortie $1.25/M
GLM 5V Turbo
Modèle uniquement API
Contexte de 202,752 tokens · entrée $1.20/M, sortie $4.00/M
GLM 5.3 Prime
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.80/M, sortie $8.80/M
GLM 5.3 Flash
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.02/M, sortie $0.72/M

Plus de modèles de texte de z-ai

Questions fréquentes

Les poids de GLM-4.7 sont-ils ouverts et puis-je l’exécuter localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face à zai-org/GLM-4.7, vous pouvez donc télécharger et auto-héberger le modèle. Vérifiez la licence du dépôt avant toute utilisation commerciale.
Quel est le coût de GLM-4.7 et quelle est la taille de son contexte ?: L’API de Z.ai facture 0,60 $ par million de tokens d’entrée et 2,20 $ par million de tokens de sortie, avec une fenêtre de contexte de 204 800 tokens.
En quoi GLM-4.7 diffère-t-il de GLM-4.6 ?: GLM-4.7 concentre ses améliorations sur le codage agentique, l’utilisation d’outils et le raisonnement : le fabricant rapporte des gains d’environ 6 points sur SWE-bench Verified, 13 points sur SWE-bench Multilingual, 16 points sur Terminal Bench 2.0, et 12 points sur le benchmark de raisonnement HLE par rapport à GLM-4.6.

Verdict du capitaine
Un modèle de codage et de raisonnement à poids ouverts véritablement performant qui mérite sa place sur la liste restreinte sans exiger d’engagement API fermé.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Mixtral 8x22B Instruct

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

GLM 4.7 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm z-ai raisonnement programmation agents mathématiques local

Parcourir par famille de modèles