GLM 4.7 Flash
3598°
Chạy mô hình này
Ưu đãi / Quảng cáo
Z.ai | ngữ cảnh 200,000 token | $0.06/M đầu vào, $0.40/M đầu ra. Là mô hình SOTA lớp 30B, GLM-4.7-Flash cung cấp một lựa chọn mới cân bằng giữa hiệu suất và hiệu quả. Nó được tối ưu thêm cho các trường hợp sử dụng lập trình tác nhân, tăng cường khả năng lập trình, lập kế hoạch nhiệm vụ dài hạn và hợp tác công cụ, và đã đạt hiệu suất dẫn đầu trong số các mô hình mã nguồn mở cùng kích thước trên nhiều bảng xếp hạng công khai hiện tại.
Hướng dẫn cho mô hình này
LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc
Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?
Mở weights vs mã nguồn mở vs chỉ API: bạn thực sự được phép làm gì
Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)
Ghi chú của thuyền trưởng
Ghi chú từ 2026-10-13
GLM-4.7-Flash là mô hình MoE cỡ 30 tỷ tham số từ Z.ai với chỉ 3 tỷ tham số hoạt động, xây dựng xung quanh lập trình tác vụ tự động và lập kế hoạch tác vụ dài hạn. Các số liệu benchmark so với Qwen3-30B-A3B và GPT-OSS-20B rất ấn tượng, đặc biệt trên SWE-bench Verified và tác vụ tác vụ đa lượt. Trọng số mở, cửa sổ ngữ cảnh 200K token và giá API thấp khiến nó đáng cân nhắc nếu bạn chạy tác vụ lập trình tự động hoặc cần mô hình mạnh có thể tự triển khai.
Nổi tiếng với
- Điểm SWE-bench Verified 59,2, vượt xa các mô hình mở tương đương
- Hiệu suất tác vụ đa lượt tác vụ tự động mạnh trên τ²-Bench
- Cửa sổ ngữ cảnh 200.000 token cho tài liệu dài và tác vụ mở rộng
- Kiến trúc MoE: tổng 30B, 3B hoạt động, hiệu quả khi phục vụ cục bộ
- Trọng số mở, triển khai qua vLLM, SGLang hoặc Transformers
Cẩn thận với
- Hỗ trợ vLLM và SGLang chỉ trên nhánh chính/nhánh nightly, chưa có bản phát hành ổn định
- Chế độ Preserved Thinking cần thiết cho tác vụ đa lượt; dễ bị bỏ sót khi thiết lập
- Điều khoản cấp phép không rõ ràng trong tài liệu công bố; kiểm tra repo trước khi dùng thương mại
Lời nhắc để thử
Gỡ lỗi test thất bại
Đây là hàm Python và test pytest bị lỗi AssertionError. Xác định lỗi, giải thích tại sao gây lỗi, và trả về phiên bản hàm đã sửa.
def calculate_discount(price, pct):
return price - (price * pct)
def test_discount():
assert calculate_discount(100, 10) == 90
Lập kế hoạch tác vụ đa bước
Bạn là tác vụ lập trình tự động. Kho mã của người dùng không có bộ test. Lập kế hoạch cụ thể, từng bước để: kiểm tra codebase các đơn vị có thể test, viết test pytest cho ba hàm rủi ro cao nhất, chạy test, phân tích lỗi, và mở pull request với tóm tắt. Liệt kê các cuộc gọi công cụ và kết quả mong đợi.
Suy luận qua câu đố logic
Năm kỹ sư mỗi người thích một ngôn ngữ lập trình khác nhau: Python, Rust, Go, TypeScript, JavaScript. Dùng các gợi ý để xác định ai thích ngôn ngữ nào: Alice không ngồi cạnh người thích Rust. Bob thích ngôn ngữ biên dịch. Carol ngồi giữa người thích Python và Go. Dave không thích JavaScript. Eve ngồi một đầu và thích ngôn ngữ kịch bản.
So sánh với
- GLM 5.3 FlashXMô hình chỉ APIngữ cảnh 1,048,576 token · Đầu vào $0.37/M, đầu ra $1.25/M
- GLM 5V TurboMô hình chỉ APIngữ cảnh 202,752 token · Đầu vào $1.20/M, đầu ra $4.00/M
- GLM 5 TurboMô hình chỉ APIngữ cảnh 202,752 token · Đầu vào $1.20/M, đầu ra $4.00/M
- GLM 5.3 PrimeMô hình chỉ APIngữ cảnh 1,000,000 token · Đầu vào $2.80/M, đầu ra $8.80/M
Thêm mô hình văn bản từ z-ai
Câu hỏi thường gặp
- Tôi có thể chạy GLM-4.7-Flash cục bộ không?
- Có, trọng số mở và được lưu trữ trên Hugging Face tại zai-org/GLM-4.7-Flash. Z.ai hỗ trợ suy luận cục bộ qua vLLM, SGLang và thư viện Transformers, dù vLLM và SGLang hiện chỉ hỗ trợ trên nhánh chính hoặc nightly, chưa có bản ổn định.
- Chi phí và cửa sổ ngữ cảnh của GLM-4.7-Flash là bao nhiêu?
- Qua API Z.ai, giá là $0,06 cho mỗi triệu token đầu vào và $0,40 cho mỗi triệu token đầu ra, với cửa sổ ngữ cảnh 200.000 token.
- GLM-4.7-Flash khác gì so với GLM-4.7?
- GLM-4.7-Flash là phiên bản nhẹ, tập trung hiệu quả trong gia đình GLM-4.7, dùng kiến trúc MoE với chỉ 3 tỷ tham số hoạt động trên tổng 30 tỷ. GLM-4.7 là mô hình đầy đủ; Z.ai định vị Flash là lựa chọn khi bạn cần chi phí triển khai thấp hơn mà không hy sinh nhiều tác vụ lập trình tự động.
Phán quyết của thuyền trưởngNếu tác vụ của bạn là lập trình tự động và muốn trọng số mở với giá thấp, GLM-4.7-Flash có số liệu để chứng minh hiệu quả.
Thẻ mô hình trên Hugging Face
Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.
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.
Điểm số này được tính như thế nào
Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.
Thuật ngữ: các từ dùng ở đây
- Điểm nhiệt
- Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
- Sàn điểm
- 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
- Tương đương lượt tải
- Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
- Thang log
- Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
- Lượt thích
- Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
- Tỷ lệ áp dụng
- Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
- Đã đo và ước tính
- Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
- Seeder
- Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
- AI Horde
- Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
- Trang tạo ảnh
- Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
- Token OpenRouter
- Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Mô hình đầy đủ (checkpoint)
- Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
- LoRA và embedding
- Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
- Gia đình và trọng số
- Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
- Tuổi
- Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
- Tăng gia đình
- Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
- Điểm thay thế
- Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
- Mới! (giai đoạn thử nghiệm)
- Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
- Xu hướng
- Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
- Mô hình điển hình
- Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.
GLM 4.7 Flash là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.
Thêm mô hình Text / LLMThêm Văn bản / LLM Text / LLMllmz-ailý luậnlập trìnhtác nhânngữ cảnh dàicục bộ
Duyệt theo họ mô hình
Mô hình Text / LLM
434
Mô hình Anima
528
Mô hình Chroma
19
Mô hình Fibo
2
Mô hình Flux
1,496
Mô hình Flux 2 / Klein
1,239
Mô hình Flux 3
3
Mô hình Moss
3
Mô hình Iris
1
Mô hình MiniMax H3
364
Mô hình Hunyuan
204
Mô hình Ideogram
20
Mô hình Krea2
717
Mô hình Qwen
20
Mô hình Qwen2
47
Mô hình Ltx2
153