Чи можна запускати GLM-4.7-Flash локально?

Так, ваги відкриті і розміщені на Hugging Face у zai-org/GLM-4.7-Flash. Z.ai підтримує локальний інференс через vLLM, SGLang і бібліотеку Transformers, хоча підтримка vLLM і SGLang наразі є лише у main або nightly гілках, а не у стабільних релізах.

Скільки коштує GLM-4.7-Flash і який розмір контексту?

Через API Z.ai ціна $0.06 за мільйон вхідних токенів і $0.40 за мільйон вихідних, з вікном контексту 200 000 токенів.

Чим GLM-4.7-Flash відрізняється від GLM-4.7?

GLM-4.7-Flash — це легша, орієнтована на ефективність версія в сімействі GLM-4.7, з архітектурою MoE і лише 3B активних параметрів із 30B загальних. GLM-4.7 — повна модель; Z.ai позиціонує Flash як варіант із нижчими витратами на розгортання без значної втрати у завданнях агентського програмування.

GLM 4.7 Flash

3598°

#llm #z-ai #логіка #кодування #агенти #довгий контекст

Запустити модель

Пропозиції / Реклама

OpenRouter Термінал / API

Платити за токен

Спілкуйся з цією моделлю у браузері або викликай її з коду за допомогою одного API ключа.

Z.ai | 200,000 токенів контексту | $0.06/тис. вхід, $0.40/тис. вихід. Як модель класу 30B SOTA, GLM-4.7-Flash пропонує новий варіант, що балансує між продуктивністю та ефективністю. Вона додатково оптимізована для агентського кодування, посилюючи можливості кодування, планування довгострокових завдань та співпраці з інструментами, і досягла провідних результатів серед відкритих моделей такого ж розміру на кількох актуальних публічних рейтингах.

Посібники до цієї моделі

Найкращі локальні LLM за випадками використання (жовтень 2026): правильна відкрита модель для кожного завдання

Скільки VRAM мені справді потрібно для локального ШІ?

Відкриті ваги проти відкритого коду проти лише API: що тобі насправді дозволено робити

Що таке файл GGUF? Пояснення квантизованих моделей (Q4, Q8, fp8, NF4)

Усі посібники

Нотатки капітана

Написано Captain, головним редактором

Нотатки від 2026-10-13

GLM-4.7-Flash — модель класу 30B з архітектурою MoE від Z.ai з лише 3B активних параметрів, створена для агентського програмування та планування завдань на довгу перспективу. Її результати на бенчмарках проти Qwen3-30B-A3B і GPT-OSS-20B вражають, особливо на SWE-bench Verified і багатокрокових агентських завданнях. Відкриті ваги, контекст 200K токенів і низька ціна API роблять її серйозним кандидатом, якщо ви запускаєте агентів для програмування або потребуєте потужну модель для самостійного хостингу.

Відомий за

Результат SWE-bench Verified 59.2, значно попереду порівнянних відкритих моделей
Висока продуктивність багатокрокових агентських завдань на τ²-Bench
Вікно контексту 200 000 токенів для довгих документів і тривалих завдань
Архітектура MoE: 30B загалом, 3B активних, ефективна для локального запуску
Відкриті ваги, доступні через vLLM, SGLang або Transformers

Зверніть увагу на

Підтримка vLLM і SGLang є лише у main/nightly гілках, стабільних релізів поки немає
Для багатокрокових агентських завдань потрібен режим Preserved Thinking; це легко пропустити при налаштуванні
Умови ліцензії не деталізовані у публічних матеріалах; перевіряйте репозиторій перед комерційним використанням

Найкраще для

Кодування

Агенти та використання інструментів

Міркування

Довгий контекст

Працює локально

Підказки для спроби

Відлагодження тесту, що падає

Ось функція Python і тест pytest, який падає з AssertionError. Визначте помилку, поясніть, чому вона викликає збій, і поверніть виправлену версію функції. def calculate_discount(price, pct): return price - (price * pct) def test_discount(): assert calculate_discount(100, 10) == 90

План багатокрокового агентського завдання

Ви автономний агент програмування. У репозиторії користувача немає тестів. Складіть конкретний покроковий план: перевірити код на тестовані одиниці, написати pytest тести для трьох найбільш ризикових функцій, запустити їх, інтерпретувати помилки і відкрити pull request із підсумком. Перелічіть кожен виклик інструменту і що він має повернути.

Логічне розв’язання головоломки

П’ять інженерів кожен має улюблену мову програмування: Python, Rust, Go, TypeScript, JavaScript. Використайте підказки, щоб визначити, хто яку мову віддає перевагу: Аліса не сидить поруч із фанатом Rust. Боб віддає перевагу компільованій мові. Керол сидить між фанатами Python і Go. Дейв не любить JavaScript. Єва сидить на одному кінці і віддає перевагу скриптовій мові.

Порівняти з

GLM 5.3 FlashX
Модель тільки з API
контекст 1,048,576 токенів · $0.37/M вхід, $1.25/M вихід
GLM 5V Turbo
Модель тільки з API
контекст 202,752 токенів · $1.20/M вхід, $4.00/M вихід
GLM 5 Turbo
Модель тільки з API
контекст 202,752 токенів · $1.20/M вхід, $4.00/M вихід
GLM 5.3 Prime
Модель тільки з API
контекст 1,000,000 токенів · $2.80/M вхід, $8.80/M вихід

Більше текстових моделей від z-ai

Питання, які задають люди

Чи можна запускати GLM-4.7-Flash локально?: Так, ваги відкриті і розміщені на Hugging Face у zai-org/GLM-4.7-Flash. Z.ai підтримує локальний інференс через vLLM, SGLang і бібліотеку Transformers, хоча підтримка vLLM і SGLang наразі є лише у main або nightly гілках, а не у стабільних релізах.
Скільки коштує GLM-4.7-Flash і який розмір контексту?: Через API Z.ai ціна $0.06 за мільйон вхідних токенів і $0.40 за мільйон вихідних, з вікном контексту 200 000 токенів.
Чим GLM-4.7-Flash відрізняється від GLM-4.7?: GLM-4.7-Flash — це легша, орієнтована на ефективність версія в сімействі GLM-4.7, з архітектурою MoE і лише 3B активних параметрів із 30B загальних. GLM-4.7 — повна модель; Z.ai позиціонує Flash як варіант із нижчими витратами на розгортання без значної втрати у завданнях агентського програмування.

Вердикт капітана
Якщо ваше навантаження — агентське програмування і ви хочете відкриті ваги за низькою ціною, GLM-4.7-Flash має вагомі аргументи на свою користь.

Картка моделі на Hugging Face

Капітан пише ці нотатки на основі опису моделі та картки моделі. Ціни та розміри контексту вказані на момент написання і можуть змінюватися.

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

Як цей бал складається

Ця модель поки що не має даних про популярність з жодного джерела, тому вона має замінне число нижче за 7,000°, щоб списки залишалися повними. Вона ніколи не буде вище за модель з даними. Розподіл з’явиться тут, щойно джерело його надасть.

Глосарій: терміни, що тут використовуються

Оцінка популярності: Одне число, що показує, наскільки модель зараз використовується і потрібна, від 0° до 9,999°. Кожен список на цьому сайті, який називається найгарячішим, відсортований саме за цим числом.
Початкова оцінка: 7,000° — це стартова оцінка для кожної моделі з реальними даними. Шкала від 0° до 9,999°; частина нижче початкової оцінки відведена для моделей без даних, щоб модель з даними завжди була вище. Початкова оцінка однакова для всіх і нічого не вирішує; градуси вище неї — це власне вимірювання.
Еквіваленти завантажень: Все, що оцінка рахує як завантаження, підсумовано: самі завантаження, кожен торрент-сідер як 1,000, кожне зображення AI Horde і кожен запуск на сайті генерації як один.
Логарифмічна шкала: Рахунок по десятках, а не по одиницях: перехід від 1,000 до 10,000 завантажень додає ті ж градуси, що й від 10,000 до 100,000. Це не дає гігантам витіснити все інше.
Лайки: Вподобання і лайки з усіх джерел, вартістю половини завантаження на логарифмічній шкалі.
Швидкість прийняття: Скільки завантажень на день модель отримує зараз, за різницею між двома замірами джерела. Чверть ваги від терміну завантажень.
Виміряно та оцінено: Виміряно означає, що є два показники джерела, і різниця справжня. Оцінено означає, що відомий лише загальний показник за сьогодні, а минуле розподілено на весь час існування моделі; сайт показує, який саме варіант відображається.
Сідер: Хтось, хто тримає копію вагів онлайн, щоб інші могли завантажувати через торрент, або хостинг-дзеркало, що робить те саме. Кожен такий рахується як 1000 завантажень.
AI Horde: Добровільна мережа, яка безкоштовно генерує зображення на пожертвуваних комп’ютерах. Кількість зображень, створених з моделлю, публічна, і кожне рахується як одне завантаження.
Сайти генерації: Сайти, які розміщують власні копії моделі і дозволяють людям генерувати з нею, наприклад PixAI, SeaArt і Yodayo. Їхні завантаження рахується так само, як у Civitai, а кожен запуск генерації — як одне завантаження.
Токени OpenRouter: Текстова модель, що обслуговується через API, як Claude або GPT, не має ваг для завантаження, тому її використання вимірюється токенами: частинами тексту, які вона прочитала і написала через OpenRouter, шлюз, який використовують багато додатків, за останні 30 днів. Кожні 10,000,000 токенів рахується як одне завантаження. Джерело: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Повна модель (чекпойнт): Самі ваги, файл, який генерує самостійно. Має бонус, бо від нього залежать додатки.
LoRA та embedding: Малі додаткові файли, які направляють чужі ваги в певний стиль, персонажа чи концепцію. Вони не можуть працювати самі по собі.
Сімейство та ваги: База, на якій побудована модель, наприклад SD 1.5, SDXL, Flux або Wan. Кожна модель успадковує дату виходу вагів свого сімейства.
Вік: Віднімається градус за те, як давно вийшли ваги сімейства: 150° за рік, максимум 750°. Це зберігає старі завантаження, які мали роки, щоб накопичитись, заморожуючи їх на верху списку.
Підсилення сімейства: Невеликий, обмежений поштовх для LoRA сімейства, яке цей сайт зараз просуває, завжди вказується в розподілі.
Оцінка заміщення: Стабільне число нижче мінімуму, яке дають моделі, про яку ще немає даних, щоб списки були повними. Воно ніколи не вище за модель з даними.
Новинка! (період очікування): Модель віком менше 7 днів показує Новинка! замість оцінки і не займає місце в рейтингах. Її оцінка обчислюється з першого дня, але модель віком один день росте швидше за все, тому без очікування #1 тижня завжди була б та, що вийшла вчора, а не та, що трималась тиждень.
Тренд: Як зростання моделі за період порівнюється зі звичайним зростанням моделей за той самий період. Швидше за звичайне — це підйом, повільніше — спад.
Типова модель: Середина каталогу: половина моделей з показником зросла швидше за цей період, половина повільніше.

Схожі моделі

Gemini 3.5 Flash Lite

TEXT / LLM

Моделі ШІ для генерації зображень, відео та тексту

GLM 4.7 Flash — це текстова модель для сімейства Text / LLM, представлена на ModelTrends.ai, каталозі лише для читання відкритих моделей ШІ для зображень, відео та тексту. Порівняйте її з іншими моделями Text / LLM і перевірте бал популярності, щоб побачити тренд.

Більше моделей Text / LLM Більше Text / LLM Текст / LLM llm z-ai логіка кодування агенти довгий контекст локально

Перегляд за сімейством моделей