GLM 4.7 Flash
3598°
Esegui questo modello
Offerte / Annunci
Z.ai | contesto da 200.000 token | $0.06/M input, $0.40/M output. Come modello SOTA di classe 30B, GLM-4.7-Flash offre una nuova opzione che bilancia prestazioni ed efficienza. È ulteriormente ottimizzato per casi d'uso agentici di coding, rafforzando capacità di coding, pianificazione di compiti a lungo termine e collaborazione con strumenti, e ha raggiunto prestazioni leader tra i modelli open source della stessa dimensione su diversi benchmark pubblici attuali.
Guide per questo modello
Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro
Quanta VRAM serve davvero per l'AI locale?
Pesi aperti vs open source vs solo API: cosa puoi davvero fare
Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)
Note del capitano
Note del 2026-10-13
GLM-4.7-Flash è un modello MoE di classe 30B di Z.ai con solo 3B di parametri attivi, costruito attorno a coding agentico e pianificazione di compiti a lungo termine. I suoi numeri di benchmark contro Qwen3-30B-A3B e GPT-OSS-20B sono impressionanti, in particolare su SWE-bench Verified e compiti agentici multi-turno. Pesi aperti, finestra di contesto da 200K e prezzi API bassi lo rendono da considerare seriamente se gestisci agenti di coding o hai bisogno di un modello capace che puoi ospitare autonomamente.
Conosciuto per
- Punteggio SWE-bench Verified di 59,2, molto avanti rispetto a modelli open comparabili
- Ottime prestazioni multi-turno agentiche su τ²-Bench
- Finestra di contesto da 200.000 token per documenti lunghi e compiti estesi
- Architettura MoE: 30B totali, 3B attivi, efficiente da servire localmente
- Pesi aperti distribuibili via vLLM, SGLang o Transformers
Attenzione a
- Il supporto vLLM e SGLang è solo su branch main/nightly, non ancora su release stabili
- La modalità Thinking preservata è richiesta per compiti agentici multi-turno; facile da trascurare nella configurazione
- I termini di licenza non sono dettagliati nei materiali pubblicati; verifica il repo prima dell'uso commerciale
Prompt da provare
Debug di un test fallito
Ecco una funzione Python e un test pytest che fallisce con AssertionError. Identifica il bug, spiega perché causa il fallimento e restituisci solo la versione corretta della funzione.
def calculate_discount(price, pct):
return price - (price * pct)
def test_discount():
assert calculate_discount(100, 10) == 90
Pianifica un compito agentico multi-step
Sei un agente di coding autonomo. Il repository di un utente non ha suite di test. Delinea un piano concreto, passo dopo passo, per: esaminare il codice per unità testabili, scrivere test pytest per le tre funzioni a più alto rischio, eseguirli, interpretare i fallimenti e aprire una pull request con un riassunto. Elenca ogni chiamata a strumenti che faresti e cosa ti aspetti che restituiscano.
Ragiona su un puzzle logico
Cinque ingegneri preferiscono ciascuno un linguaggio di programmazione diverso: Python, Rust, Go, TypeScript, JavaScript. Usa questi indizi per determinare chi preferisce quale linguaggio: Alice non è accanto al fan di Rust. Bob preferisce un linguaggio compilato. Carol è seduta tra i fan di Python e Go. Dave non preferisce JavaScript. Eve è a un'estremità e preferisce un linguaggio di scripting.
Confronta con
- GLM 5.3 FlashXModello solo APIContesto di 1,048,576 token · Input $0.37/M, output $1.25/M
- GLM 5V TurboModello solo APIContesto di 202,752 token · Input $1.20/M, output $4.00/M
- GLM 5 TurboModello solo APIContesto di 202,752 token · Input $1.20/M, output $4.00/M
- GLM 5.3 PrimeModello solo APIContesto di 1,000,000 token · Input $2.80/M, output $8.80/M
Altri modelli di testo da z-ai
Domande frequenti
- Posso eseguire GLM-4.7-Flash localmente?
- Sì, i pesi sono aperti e ospitati su Hugging Face presso zai-org/GLM-4.7-Flash. Z.ai supporta l'inferenza locale tramite vLLM, SGLang e la libreria Transformers, anche se il supporto vLLM e SGLang richiede attualmente i branch main o nightly e non una release stabile.
- Quanto costa GLM-4.7-Flash e qual è la sua finestra di contesto?
- Attraverso l'API Z.ai ha un prezzo di $0,06 per milione di token in input e $0,40 per milione in output, con una finestra di contesto da 200.000 token.
- In cosa differisce GLM-4.7-Flash da GLM-4.7?
- GLM-4.7-Flash è la variante più leggera e focalizzata sull'efficienza della famiglia GLM-4.7, usa un'architettura MoE con solo 3B di parametri attivi su 30B totali. GLM-4.7 è il modello completo; Z.ai posiziona Flash come opzione per chi ha bisogno di costi di distribuzione più bassi senza sacrificare troppo nei compiti agentici di coding.
Verdetto del capitanoSe il tuo carico di lavoro è coding agentico e vuoi pesi aperti a basso costo, GLM-4.7-Flash ha i numeri per sostenere la promessa.
Scheda modello su Hugging Face
Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.
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.
Come si calcola questo punteggio
Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.
Glossario: i termini usati qui
- Punteggio heat
- Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
- Soglia minima
- I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
- Equivalenti di download
- Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
- Scala logaritmica
- Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
- Like
- Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
- Tasso di adozione
- Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
- Misurato e stimato
- Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
- Seeder
- Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
- AI Horde
- Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
- Siti di generazione
- Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
- Token OpenRouter
- Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modello completo (checkpoint)
- I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
- LoRA e embedding
- Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
- Famiglia e pesi
- La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
- Età
- Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
- Boost famiglia
- Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
- Punteggio stand-in
- Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
- Novità! (periodo di grazia)
- Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
- Tendenza
- Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
- Modello tipico
- Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.
GLM 4.7 Flash è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.
Altri modelli Text / LLMAltri Testo / LLM Text / LLMllmz-airagionamentoprogrammazioneagenticontesto lungolocale
Sfoglia per famiglia di modelli
Modelli Text / LLM
434
Modelli Anima
528
Modelli Chroma
19
Modelli Fibo
2
Modelli Flux
1,496
Modelli Flux 2 / Klein
1,239
Modelli Flux 3
3
Modelli Moss
3
Modelli Iris
1
Modelli MiniMax H3
364
Modelli Hunyuan
204
Modelli Ideogram
20
Modelli Krea2
717
Modelli Qwen
20
Modelli Qwen2
47
Modelli Ltx2
153