Bolehkah saya menjalankan GLM-4.7-Flash secara tempatan?

Ya, berat model terbuka dan dihoskan di Hugging Face pada zai-org/GLM-4.7-Flash. Z.ai menyokong inferens tempatan melalui vLLM, SGLang, dan perpustakaan Transformers, walaupun sokongan vLLM dan SGLang memerlukan cawangan utama atau malam, bukan keluaran stabil.

Berapa kos GLM-4.7-Flash dan berapa tetingkap konteksnya?

Melalui API Z.ai ia berharga $0.06 per sejuta token input dan $0.40 per sejuta token output, dengan tetingkap konteks 200,000 token.

Bagaimana GLM-4.7-Flash berbeza daripada GLM-4.7?

GLM-4.7-Flash adalah varian ringan dan fokus kecekapan dalam keluarga GLM-4.7, menggunakan seni bina MoE dengan hanya 3B parameter aktif daripada 30B jumlah. GLM-4.7 adalah model penuh; Z.ai meletakkan Flash sebagai pilihan apabila anda memerlukan kos pelaksanaan lebih rendah tanpa mengorbankan terlalu banyak pada tugas pengkodan ejen.

GLM 4.7 Flash

3598°

#llm #z-ai #penalaran #pengaturcaraan #ejen #konteks panjang

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Z.ai | konteks token 200,000 | $0.06/M input, $0.40/M output. Sebagai model SOTA kelas 30B, GLM-4.7-Flash menawarkan pilihan baru yang mengimbangi prestasi dan kecekapan. Ia dioptimumkan lebih lanjut untuk kes penggunaan pengekodan agen, mengukuhkan keupayaan pengekodan, perancangan tugasan jangka panjang, dan kerjasama alat, serta telah mencapai prestasi terkemuka di kalangan model sumber terbuka saiz sama pada beberapa papan pendahulu penanda aras awam semasa.

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

GLM-4.7-Flash adalah model MoE kelas 30B dari Z.ai dengan hanya 3B parameter aktif, dibina sekitar pengkodan ejen dan perancangan tugas jangka panjang. Nombor penanda arasnya berbanding Qwen3-30B-A3B dan GPT-OSS-20B sangat mengagumkan, terutamanya pada SWE-bench Verified dan tugas ejen berbilang pusingan. Berat terbuka, tetingkap konteks 200K, dan harga API rendah menjadikannya pilihan serius jika anda menjalankan ejen pengkodan atau memerlukan model berupaya yang boleh anda hos sendiri.

Dikenali untuk

Skor SWE-bench Verified 59.2, jauh di hadapan model terbuka yang setanding
Prestasi tugas ejen berbilang pusingan yang kuat pada τ²-Bench
Tetingkap konteks 200,000 token untuk dokumen panjang dan tugas berpanjangan
Seni bina MoE: 30B jumlah, 3B aktif, cekap untuk pelayan tempatan
Berat terbuka boleh digunakan melalui vLLM, SGLang atau Transformers

Berhati-hati dengan

Sokongan vLLM dan SGLang hanya pada cawangan utama/malam sahaja, belum keluaran stabil
Mod Preserved Thinking diperlukan untuk tugas ejen berbilang pusingan; mudah terlepas dalam tetapan
Terma lesen tidak terperinci dalam bahan yang diterbitkan; semak repositori sebelum penggunaan komersial

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Betulkan ujian gagal

Berikut adalah fungsi Python dan ujian pytest yang gagal dengan AssertionError. Kenal pasti pepijat, terangkan mengapa ia menyebabkan kegagalan, dan pulangkan versi fungsi yang diperbetulkan sahaja. def calculate_discount(price, pct): return price - (price * pct) def test_discount(): assert calculate_discount(100, 10) == 90

Rancang tugas ejen berbilang langkah

Anda adalah ejen pengkodan autonomi. Repositori pengguna tiada suite ujian. Rangka pelan konkrit, langkah demi langkah untuk: audit kod bagi unit yang boleh diuji, tulis ujian pytest untuk tiga fungsi risiko tertinggi, jalankan ujian, tafsir kegagalan, dan buka pull request dengan ringkasan. Senaraikan setiap panggilan alat yang akan anda buat dan apa yang dijangka dikembalikan.

Berfikir melalui teka-teki logik

Lima jurutera masing-masing mempunyai bahasa pengaturcaraan kegemaran berbeza: Python, Rust, Go, TypeScript, JavaScript. Gunakan petunjuk ini untuk menentukan siapa suka bahasa mana: Alice tidak duduk bersebelahan peminat Rust. Bob suka bahasa yang dikompilasi. Carol duduk antara peminat Python dan Go. Dave tidak suka JavaScript. Eve duduk di salah satu hujung dan suka bahasa skrip.

Bandingkan dengan

GLM 5.3 FlashX
Model hanya API
konteks 1,048,576 token · Input $0.37/M, output $1.25/M
GLM 5V Turbo
Model hanya API
konteks 202,752 token · Input $1.20/M, output $4.00/M
GLM 5 Turbo
Model hanya API
konteks 202,752 token · Input $1.20/M, output $4.00/M
GLM 5.3 Prime
Model hanya API
konteks 1,000,000 token · Input $2.80/M, output $8.80/M

Lebih banyak model teks dari z-ai

Soalan yang sering ditanya

Bolehkah saya menjalankan GLM-4.7-Flash secara tempatan?: Ya, berat model terbuka dan dihoskan di Hugging Face pada zai-org/GLM-4.7-Flash. Z.ai menyokong inferens tempatan melalui vLLM, SGLang, dan perpustakaan Transformers, walaupun sokongan vLLM dan SGLang memerlukan cawangan utama atau malam, bukan keluaran stabil.
Berapa kos GLM-4.7-Flash dan berapa tetingkap konteksnya?: Melalui API Z.ai ia berharga $0.06 per sejuta token input dan $0.40 per sejuta token output, dengan tetingkap konteks 200,000 token.
Bagaimana GLM-4.7-Flash berbeza daripada GLM-4.7?: GLM-4.7-Flash adalah varian ringan dan fokus kecekapan dalam keluarga GLM-4.7, menggunakan seni bina MoE dengan hanya 3B parameter aktif daripada 30B jumlah. GLM-4.7 adalah model penuh; Z.ai meletakkan Flash sebagai pilihan apabila anda memerlukan kos pelaksanaan lebih rendah tanpa mengorbankan terlalu banyak pada tugas pengkodan ejen.

Keputusan Kapten
Jika pengkodan ejen adalah beban kerja anda dan anda mahukan berat terbuka pada harga rendah, GLM-4.7-Flash mempunyai nombor yang menyokong dakwaan itu.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

GPT 4o mini (2024 07 18)

Model AI untuk penjanaan imej, video dan teks

GLM 4.7 Flash ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm z-ai penalaran pengaturcaraan ejen konteks panjang tempatan

Layari mengikut keluarga model