Kan jag köra GLM-4.7-Flash lokalt?

Ja, vikterna är öppna och finns på Hugging Face under zai-org/GLM-4.7-Flash. Z.ai stödjer lokal inferens via vLLM, SGLang och Transformers-biblioteket, men vLLM och SGLang kräver för närvarande main- eller nightly-grenar snarare än stabil release.

Vad kostar GLM-4.7-Flash och hur stort är dess kontextfönster?

Via Z.ai API kostar den $0,06 per miljon inmatningstoken och $0,40 per miljon utmatningstoken, med ett kontextfönster på 200 000 token.

Hur skiljer sig GLM-4.7-Flash från GLM-4.7?

GLM-4.7-Flash är den lättare, effektivitetsfokuserade varianten i GLM-4.7-familjen, med en MoE-arkitektur som bara aktiverar 3B av totalt 30B parametrar. GLM-4.7 är fullmodellen; Z.ai positionerar Flash som alternativet när du behöver lägre distributionskostnad utan att offra för mycket på agentisk kodning.

GLM 4.7 Flash

3598°

#llm #z-ai #resonemang #kodning #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Z.ai | 200,000 token kontext | $0.06/M input, $0.40/M output. Som en 30B-klass SOTA-modell erbjuder GLM-4.7-Flash ett nytt alternativ som balanserar prestanda och effektivitet. Den är ytterligare optimerad för agentisk kodningsanvändning, stärker kodningsförmågor, långsiktig uppgiftsplanering och verktygssamarbete, och har uppnått ledande prestanda bland öppna modeller i samma storlek på flera aktuella offentliga benchmark-ledartavlor.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

GLM-4.7-Flash är en MoE-modell i 30B-klassen från Z.ai med endast 3B aktiva parametrar, byggd kring agentisk kodning och långsiktig uppgiftsplanering. Dess benchmarkresultat mot Qwen3-30B-A3B och GPT-OSS-20B är slående, särskilt på SWE-bench Verified och multi-turn agent-uppgifter. Öppna vikter, ett 200K kontextfönster och låg API-prissättning gör den värd seriös övervägning om du kör kodningsagenter eller behöver en kapabel modell du kan köra själv.

Känd för

SWE-bench Verified-poäng på 59,2, klart före jämförbara öppna modeller
Stark multi-turn agentisk uppgiftsprestanda på τ²-Bench
200 000-token kontextfönster för långa dokument och utökade uppgifter
MoE-arkitektur: 30B totalt, 3B aktiva, effektiv att köra lokalt
Öppna vikter som kan distribueras via vLLM, SGLang eller Transformers

Se upp för

vLLM och SGLang-stöd finns endast i main/nightly-grenar, inte i stabila releaser än
Preserved Thinking-läge krävs för multi-turn agentiska uppgifter; lätt att missa vid setup
Licensvillkor är inte detaljerade i publicerat material; kontrollera repo innan kommersiell användning

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Debugga ett misslyckat test

Här är en Python-funktion och ett pytest-test som misslyckas med ett AssertionError. Identifiera buggen, förklara varför den orsakar felet och returnera endast en korrigerad version av funktionen. def calculate_discount(price, pct): return price - (price * pct) def test_discount(): assert calculate_discount(100, 10) == 90

Planera en agentuppgift i flera steg

Du är en autonom kodningsagent. En användares repo saknar testsuite. Skissa en konkret, steg-för-steg-plan för att: granska kodbasen för testbara enheter, skriva pytest-tester för de tre mest riskfyllda funktionerna, köra dem, tolka fel och öppna en pull request med en sammanfattning. Lista varje verktygskall du skulle göra och vad du förväntar dig att få tillbaka.

Resonera genom ett logikpussel

Fem ingenjörer gillar varsin programmeringsspråk: Python, Rust, Go, TypeScript, JavaScript. Använd dessa ledtrådar för att avgöra vem som gillar vilket språk: Alice sitter inte bredvid Rust-fantasten. Bob gillar ett kompilerat språk. Carol sitter mellan Python- och Go-fantasterna. Dave gillar inte JavaScript. Eve sitter i ena änden och gillar ett skriptspråk.

Jämför med

GLM 5.3 FlashX
Endast API-modell
1,048,576 tokens kontext · $0.37/M indata, $1.25/M utdata
GLM 5V Turbo
Endast API-modell
202,752 tokens kontext · $1.20/M indata, $4.00/M utdata
GLM 5 Turbo
Endast API-modell
202,752 tokens kontext · $1.20/M indata, $4.00/M utdata
GLM 5.3 Prime
Endast API-modell
1,000,000 tokens kontext · $2.80/M indata, $8.80/M utdata

Fler textmodeller från z-ai

Vanliga frågor

Kan jag köra GLM-4.7-Flash lokalt?: Ja, vikterna är öppna och finns på Hugging Face under zai-org/GLM-4.7-Flash. Z.ai stödjer lokal inferens via vLLM, SGLang och Transformers-biblioteket, men vLLM och SGLang kräver för närvarande main- eller nightly-grenar snarare än stabil release.
Vad kostar GLM-4.7-Flash och hur stort är dess kontextfönster?: Via Z.ai API kostar den $0,06 per miljon inmatningstoken och $0,40 per miljon utmatningstoken, med ett kontextfönster på 200 000 token.
Hur skiljer sig GLM-4.7-Flash från GLM-4.7?: GLM-4.7-Flash är den lättare, effektivitetsfokuserade varianten i GLM-4.7-familjen, med en MoE-arkitektur som bara aktiverar 3B av totalt 30B parametrar. GLM-4.7 är fullmodellen; Z.ai positionerar Flash som alternativet när du behöver lägre distributionskostnad utan att offra för mycket på agentisk kodning.

Kaptens omdöme
Om agentisk kodning är din arbetsbelastning och du vill ha öppna vikter till låg kostnad har GLM-4.7-Flash siffrorna som stöder påståendet.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

GPT 3.5 Turbo (older v0613)

TEXT / LLM

Qwen3 30B A3B Thinking 2507

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

GLM 4.7 Flash är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm z-ai resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj