silvamux/glm-4.7

GLM 4.7的主要优势是代码生成与数学与科学推理。在代码编写、重构与开发辅助中,它能够承担信息理解、分析和结果生成等关键环节。

支持模态
text
输入价格¥3-4per 1M tokens
输出价格¥14-16per 1M tokens
上下文1M
最大输出131K

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。

单位:每 100 万 tokens
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。

综合能力
78/ 100良好
突出能力文本理解 93%信息检索 / RAG 91% · 代码生成 90%
最适合场景代码研发 / 高准确率专业场景场景适配度 78%
相对短板长文本处理47%

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
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
TPM
2,255tokens/min
QPM
0.6req/min

Glm 4.7 的示例代码和 API

Tuneglm-4.7@tune
/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messages
统一入口OpenAIAnthropic
Proglm-4.7
/api/v0/chat/completions/api/v1/chat/completions/api/anthropic/v1/messages
统一入口OpenAIAnthropic
curl 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"}]
  }'