text
价格
以单次请求的输入上下文长度判定档位,Tune 与 Pro 采用相同的阶梯价格。
| 输入上下文 | 输入 | 输出 | 缓存读取 | 缓存写入 |
|---|---|---|---|---|
| ≤ 32.768K tokens | ¥3 | ¥14 | ¥0.6 | ¥0 |
| > 32.768K tokens | ¥4 | ¥16 | ¥0.8 | ¥0 |
模型能力
GLM 4.7在本轮能力评测中综合得分78,整体表现良好。其文本理解(93%)和信息检索 / RAG(91%)表现突出,能够分析文档语义、提取关键信息并处理复杂问答,并从知识库和多来源资料中定位信息、组织证据并生成有依据的回答。对软件开发者和工程团队而言,它适合用于代码编写、代码库理解、重构调试等研发场景,解决在复杂代码任务中兼顾生成结果与上下文理解;代码生成(90%)也为相关任务提供补充。它的主要限制在于,长文本处理(47%)相对较弱,在超长材料、跨章节引用和持续上下文任务中,建议拆分输入并核对关键信息是否遗漏。
78/ 100
专项进阶能力
8 项智能体协同47%
7 题 · 主/客观混合
代码生成90%
10 题 · 客观
代码理解与调试71%
12 题 · 主观
创意写作78%
17 题 · 主观
信息检索 / RAG91%
13 题 · 主/客观混合
长文本处理47%
3 题 · 主观
数学与科学推理86%
14 题 · 客观
多语言能力89%
10 题 · 主/客观混合
通用基础能力
3 项通识知识75%
15 题 · 主/客观混合
文本理解93%
5 题 · 主观
逻辑推理81%
20 题 · 主/客观混合
安全与合规能力
2 项幻觉控制82%
9 题 · 主观
指令遵循82%
14 题 · 主观
服务表现
Glm 4.7 Tune
glm-4.7@tune- 延迟
- 76.95s
- 吞吐量
- 866tokens/min
- 可用率
- 98.66%
可用率
98.66%- 完成率
- 94%
- 缓存命中率
- 9.4%
- 累计评测耗时
- 30374.6s
- Token 消耗
- 438,331tokens
- 平均请求次数
- 1.1次
- TPM
- 866tokens/min
- QPM
- 0.3req/min
Glm 4.7
glm-4.7- 延迟
- 61.93s
- 吞吐量
- 2.25Ktokens/min
- 可用率
- 100.0%
可用率
100.0%- 完成率
- 100%
- 缓存命中率
- 动态变化
- 累计评测耗时
- 15989.3s
- Token 消耗
- 600,910tokens
- 平均请求次数
- 1.0次
- TPM
- 2,255tokens/min
- QPM
- 0.6req/min
Glm 4.7 的示例代码和 API
Tune
glm-4.7@tune/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messagesPro
glm-4.7/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messagescurl https://www.silvamux.com/api/v1/chat/completions \
-H "Authorization: Bearer 你的API密钥" \
-H "Content-Type: application/json" \
-d '{
"model": "glm-4.7",
"messages": [{"role": "user", "content": "你好,请介绍一下自己"}]
}'# pip install openai
from openai import OpenAI
client = OpenAI(
base_url="https://www.silvamux.com/api/v1",
api_key="你的API密钥",
)
response = client.chat.completions.create(
model="glm-4.7",
messages=[
{"role": "user", "content": "你好,请介绍一下自己"}
],
)
print(response.choices[0].message.content)// Gradle: implementation(__HL_SLOT_0__)
import okhttp3.*;
OkHttpClient client = new OkHttpClient();
MediaType json = MediaType.get("application/json");
String payload = "{\"model\":\"glm-4.7\",\"messages\":[{\"role\":\"user\",\"content\":\"你好,请介绍一下自己\"}]}";
Request request = new Request.Builder()
.url("https://www.silvamux.com/api/v1/chat/completions")
.header("Authorization", "Bearer 你的API密钥")
.post(RequestBody.create(payload, json))
.build();
try (Response response = client.newCall(request).execute()) {
System.out.println(response.body().string());
}// npm install openai
import OpenAI from 'openai'
const client = new OpenAI({
baseURL: 'https://www.silvamux.com/api/v1',
apiKey: '你的API密钥',
})
const response = await client.chat.completions.create({
model: 'glm-4.7',
messages: [{ role: 'user', content: '你好,请介绍一下自己' }],
})
console.log(response.choices[0].message.content)