zai-org/glm-4.7

LLM

GLM 4.7 API by ZHIPUAI

zai-org/glm-4.7

Glm-4.7

GLM-4.7 is Z.AI’s latest flagship model, featuring upgrades in two key areas: enhanced programming capabilities and more stable multi-step reasoning/execution. It demonstrates significant improvements in executing complex agent tasks while delivering more natural conversational experiences and superior front-end aesthetics.

Parameter

Codebeispiel
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("ATLASCLOUD_API_KEY"),
    base_url="https://api.atlascloud.ai/v1"
)

response = client.chat.completions.create(
    model="zai-org/glm-4.7",
    messages=[
    {
        "role": "user",
        "content": "hello"
    }
],
    max_tokens=1024,
    temperature=0.7
)

print(response.choices[0].message.content)

Installieren

Installieren Sie das erforderliche Paket für Ihre Programmiersprache.

pip install requests

Authentifizierung

Alle API-Anfragen erfordern eine Authentifizierung über einen API-Schlüssel. Sie können Ihren API-Schlüssel über das Atlas Cloud Dashboard erhalten.

export ATLASCLOUD_API_KEY="your-api-key-here"

HTTP-Header

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

Schützen Sie Ihren API-Schlüssel

Geben Sie Ihren API-Schlüssel niemals in clientseitigem Code oder öffentlichen Repositories preis. Verwenden Sie stattdessen Umgebungsvariablen oder einen Backend-Proxy.

Anfrage senden

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "your-model",
    "messages": [{"role": "user", "content": "Hello"}],
    "max_tokens": 1024
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Eingabe-Schema

Die folgenden Parameter werden im Anfragekörper akzeptiert.

Gesamt: 14Erforderlich: 2Optional: 12

modelstringrequired

The model ID to use for the completion.

Example: "zai-org/glm-4.7"

messagesarray[object]required

A list of messages comprising the conversation so far.

rolestringrequired

The role of the message author. One of "system", "user", or "assistant".

systemuserassistant

contentstringrequired

The content of the message.

temperaturenumber

Controls the variety of the model's responses. Lower values make output more predictable and deterministic, higher values more diverse and random.

Default: 1Min: 0Max: 2

top_pnumber

Nucleus sampling: limits the model's choices to the smallest set of tokens whose cumulative probability reaches top_p. It is recommended to adjust either this or temperature, not both.

Default: 1Min: 0Max: 1

top_kinteger

Limits the model's choice to the k most likely tokens at each step. Set to 0 or omit to disable.

Default: 0Min: 0

min_pnumber

Minimum probability threshold for a token to be considered, measured relative to the probability of the most likely token. Tokens below this threshold are filtered out.

Default: 0Min: 0Max: 1

frequency_penaltynumber

Penalizes tokens based on how frequently they have appeared in the text so far, reducing verbatim repetition. Negative values encourage token reuse.

Default: 0Min: -2Max: 2

presence_penaltynumber

Penalizes tokens that have already appeared in the text regardless of frequency, encouraging the model to introduce new topics.

Default: 0Min: -2Max: 2

repetition_penaltynumber

Multiplicative penalty applied to previously generated tokens. Values greater than 1 discourage repetition; 1 disables it.

Default: 1Min: 0Max: 2

stopstring | array[string]

One or more sequences where the API will stop generating further tokens. The returned text will not contain the stop sequence.

seedinteger

Random seed for deterministic sampling. Repeated requests with the same seed and parameters should return the same result.

max_tokensinteger

The maximum number of tokens to generate in the completion. The maximum value is the model's context length minus the prompt length.

Min: 1

logit_biasobject

A map of token IDs to bias values from -100 to 100 that adjust the likelihood of those tokens appearing in the output.

streamboolean

If set to true, partial message deltas will be sent as server-sent events.

Default: false

Beispiel-Anfragekörper

{
  "model": "zai-org/glm-4.7",
  "messages": [
    {
      "role": "user",
      "content": "Hello"
    }
  ],
  "max_tokens": 1024,
  "temperature": 0.7,
  "stream": false
}

Ausgabe-Schema

Die API gibt eine ChatCompletion-kompatible Antwort zurück.

idstringrequired

Unique identifier for the completion.

objectstringrequired

Object type, always "chat.completion".

Default: "chat.completion"

createdintegerrequired

Unix timestamp of when the completion was created.

modelstringrequired

The model used for the completion.

choicesarray[object]required

List of completion choices.

indexintegerrequired

Index of the choice.

messageobjectrequired

The generated message.

finish_reasonstringrequired

The reason generation stopped.

stoplengthcontent_filter

usageobjectrequired

Token usage statistics.

prompt_tokensintegerrequired

Number of tokens in the prompt.

completion_tokensintegerrequired

Number of tokens in the completion.

total_tokensintegerrequired

Total tokens used.

Beispielantwort

{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1700000000,
  "model": "model-name",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 10,
    "completion_tokens": 20,
    "total_tokens": 30
  }
}

Atlas Cloud Skills

Atlas Cloud Skills integriert über 400 KI-Modelle direkt in Ihren KI-Programmierassistenten. Ein Befehl zur Installation, dann generieren Sie per natürlicher Sprache Bilder und Videos und chatten mit LLMs.

Unterstützte Clients

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ unterstützte clients

Installieren

npx skills add AtlasCloudAI/atlas-cloud-skills

API-Schlüssel einrichten

Erhalten Sie Ihren API-Schlüssel über das Atlas Cloud Dashboard und setzen Sie ihn als Umgebungsvariable.

export ATLASCLOUD_API_KEY="your-api-key-here"

Funktionen

Nach der Installation können Sie natürliche Sprache in Ihrem KI-Assistenten verwenden, um auf alle Atlas Cloud Modelle zuzugreifen.

BildgenerierungGenerieren Sie Bilder mit Modellen wie Nano Banana 2, Z-Image und mehr.

VideoerstellungErstellen Sie Videos aus Text oder Bildern mit Kling, Vidu, Veo usw.

LLM-ChatChatten Sie mit Qwen, DeepSeek und anderen großen Sprachmodellen.

Medien-UploadLaden Sie lokale Dateien für Bildbearbeitung und Bild-zu-Video-Workflows hoch.

Mehr erfahren

github.com/AtlasCloudAI/atlas-cloud-skills

MCP-Server

Der Atlas Cloud MCP-Server verbindet Ihre IDE mit über 400 KI-Modellen über das Model Context Protocol. Funktioniert mit jedem MCP-kompatiblen Client.

Unterstützte Clients

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ unterstützte clients

Installieren

npx -y atlascloud-mcp

Konfiguration

Fügen Sie die folgende Konfiguration zur MCP-Einstellungsdatei Ihrer IDE hinzu.

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

Verfügbare Werkzeuge

atlas_generate_imageGenerieren Sie Bilder aus Textbeschreibungen.

atlas_generate_videoErstellen Sie Videos aus Text oder Bildern.

atlas_chatChatten Sie mit großen Sprachmodellen.

atlas_list_modelsDurchsuchen Sie über 400 verfügbare KI-Modelle.

atlas_quick_generateInhaltserstellung in einem Schritt mit automatischer Modellauswahl.

atlas_upload_mediaLaden Sie lokale Dateien für API-Workflows hoch.

Mehr erfahren

github.com/AtlasCloudAI/mcp-server

GLM-4.7 - Fortgeschrittenes Programmier- und Denk-LLM

Neueste

358 Milliarden Gesamtparameter mit 32 Milliarden aktiven Parametern

GLM-4.7, veröffentlicht am 22. Dezember 2025 von Z.ai, ist ein Sprachmodell der nächsten Generation für reale Entwicklungsumgebungen. Mit 358 Milliarden Gesamtparametern (32B aktiv), 200K Kontextfenster und innovativen Denkmechanismen rangiert es auf Platz 1 unter Open-Source-Modellen bei Code Arena und erzielt bahnbrechende Verbesserungen bei Programmier-, Denk- und Werkzeugnutzungs-Benchmarks.

358B

Gesamtparameter

32B

Aktive Parameter

200K

Kontextfenster

MoE

Architektur

Verschachteltes Denken

Das Modell denkt vor jeder Antwort und jedem Werkzeugaufruf nach, was die Befolgung von Anweisungen und die Generierungsqualität verbessert

Verbessertes Denken vor jeder Aktion
Bessere Anweisungsbefolgung
Höhere Qualität der Antworten mit eingebauter Überprüfung

Bewahrtes Denken

Behält automatisch alle Denkblöcke über Multi-Turn-Gespräche in Programmierszenarien bei

Wiederverwendung bestehender Überlegungen statt Neuableitung
Reduziert Informationsverlust zwischen Turns
Gewährleistet Konsistenz in Multi-Turn-Dialogen

Turn-Level-Denken

Kontrolle pro Runde über das Denken innerhalb einer Sitzung für optimale Leistung und Kosten

Denken für leichte Anfragen deaktivieren
Denken für komplexe Aufgaben aktivieren
Balance zwischen Geschwindigkeit und Genauigkeit

Erweiterte Werkzeugnutzung

Bedeutende Verbesserungen bei Werkzeugnutzungsfähigkeiten und Web-Browsing

87,4 Punkte bei τ²-Bench (höchste unter Open Source)
Besseres Web-Browsing via BrowseComp
Verbesserte interaktive Werkzeugnutzung

Leistungs-Benchmarks

GLM-4.7 erreicht Spitzenergebnisse bei mehreren Industriestandard-Benchmarks

SWE-bench

Programmierung

73.8%+5.8%

Reale Software-Engineering-Aufgaben, die Codeverständnis und -generierung erfordern

SWE-bench Mehrsprachig

Programmierung

66.7%+12.9%

Mehrsprachige agentische Programmierung über verschiedene Programmiersprachen hinweg

Terminal Bench 2.0

Terminal

41%+16.5%

Terminalbasierte Aufgaben und Befehlszeilenoperationen

HLE (Letzte Prüfung der Menschheit)

Denken

42.8%+12.4%

Komplexe mathematische und Denkherausforderungen

τ²-Bench

Werkzeugnutzung

87.4#1

Bewertung interaktiver Werkzeugnutzung

Code Arena

Allgemein

#1Unter Open-Source- und chinesischen Modellen

Großangelegte Blind-Bewertung mit über 1M Teilnehmern

Kernfähigkeiten

💻

Programmierexzellenz

Branchenführende Leistung bei mehrsprachiger agentischer Programmierung und Softwareentwicklung

73,8% bei SWE-bench (+5,8% Verbesserung)
66,7% bei SWE-bench Mehrsprachig (+12,9%)
84,9 bei LiveCodeBench V6 (übertrifft Claude Sonnet 4.5)

🧠

Komplexes Denken

Wesentliche Verbesserungen bei mathematischen und komplexen Denkaufgaben

42,8% beim HLE-Benchmark (+12,4% Verbesserung)
Verbesserte mathematische Problemlösung
Erweiterte logische Denkfähigkeiten

🎨

Vibe Coding

Große Verbesserungen bei UI/UX-Generierungsqualität und Design-Ästhetik

Sauberere, modernere Webseiten-Designs
Besser aussehende Präsentationsfolien
Präzise Layout- und Größenkontrolle

Perfekt für

👨‍💻

Coding-Agenten & IDEs

🔧

Entwicklungsworkflows

🤖

KI-Assistenten

🧪

Forschung & Bildung

🎯

Komplexe Problemlösung

📊

Datenanalyse

Technische Spezifikationen

Gesamtparameter358 Milliarden

Aktive Parameter32 Milliarden

Kontextfenster200K Tokens

Ausgabekapazität128K Tokens

ArchitekturMixture of Experts (MoE)

Veröffentlichungsdatum22. Dezember 2025

EntwicklerZ.ai (ehemals Zhipu AI)

LizenzOpen Source

Häufig gestellte Fragen

Was macht GLM-4.7 anders als andere große Sprachmodelle?

GLM-4.7 führt fortgeschrittene Denkmechanismen ein, darunter Verschachteltes Denken, Bewahrtes Denken und Turn-Level-Denken. Diese Funktionen ermöglichen es dem Modell, Konsistenz über Gespräche hinweg zu wahren, effektiver zu denken und Benutzern granulare Kontrolle über Leistungs- und Kostenabwägungen zu geben.

Wie schneidet GLM-4.7 im Vergleich zu GPT-4 und Claude ab?

GLM-4.7 rangiert auf Platz 1 unter Open-Source-Modellen und chinesischen Modellen bei Code Arena. Es erreicht 84,9 bei LiveCodeBench V6, übertrifft Claude Sonnet 4.5 und zeigt signifikante Verbesserungen bei Programmier-, Denk- und Werkzeugnutzungs-Benchmarks.

Kann ich GLM-4.7 in Coding-Agent-Frameworks verwenden?

Ja! GLM-4.7 ist jetzt in beliebten Coding-Agenten verfügbar, darunter Claude Code, Kilo Code, Roo Code und Cline. Es ist optimiert für Entwicklungsumgebungen mit längeren Aufgabenzyklen, häufiger Werkzeugnutzung und höheren Anforderungen an Stabilität und Konsistenz.

Was ist das Kontextfenster und die Ausgabekapazität von GLM-4.7?

GLM-4.7 verfügt über ein 200K-Token-Kontextfenster mit 128K Ausgabekapazität. Die MoE-Architektur verwendet 358 Milliarden Gesamtparameter mit 32 Milliarden aktiven Parametern und bietet hervorragende Leistung ohne massive Rechenressourcen zu benötigen.

Wie kann ich über APIs auf GLM-4.7 zugreifen?

GLM-4.7 ist über die einheitliche API von Atlas Cloud verfügbar. Verwenden Sie einfach unsere Standard-OpenAI-kompatiblen API-Endpunkte, um auf dieses Modell zuzugreifen. Konsultieren Sie unsere API-Dokumentation für Integrationsrichtlinien und Codebeispiele. Das Modell ist auch als Open-Source-Version für Self-Hosting verfügbar.

Muss ich GLM-4.7 selbst bereitstellen?

Keine Bereitstellung erforderlich! Atlas Cloud bietet einsatzbereites GLM-4.7 über unsere einheitliche API. Wir kümmern uns um die gesamte Infrastruktur, Skalierung und Optimierung, damit Sie sich auf den Aufbau Ihrer Anwendungen konzentrieren können. Greifen Sie einfach über API-Aufrufe sofort auf das Modell zu.

Warum Atlas Cloud für GLM-4.7 wählen?

Erleben Sie Zuverlässigkeit, Sicherheit und Kosteneffizienz auf Unternehmensniveau mit unserem vollständig verwalteten GLM-4.7-API-Service.

Wettbewerbsfähige Preise

Pay-as-you-go-Preise mit transparenten Kosten. Keine versteckten Gebühren, keine Mindestverpflichtungen. Kostenlos starten.

99,9% Verfügbarkeits-SLA

Unternehmensinfrastruktur mit automatischem Failover, Lastausgleich und 24/7-Überwachung für maximale Zuverlässigkeit.

SOC 2 Type II Zertifiziert

Sicherheit auf Unternehmensniveau mit SOC 2 Type II-Zertifizierung. Ihre Daten werden während der Übertragung und im Ruhezustand mit branchenführenden Sicherheitsstandards verschlüsselt.

Blitzschnelle Antwort

Globales CDN mit Edge-Standorten weltweit. Optimierte Inferenz-Infrastruktur liefert Antwortzeiten unter einer Sekunde.

Expertenunterstützung

Dediziertes technisches Support-Team rund um die Uhr verfügbar. Erhalten Sie Hilfe bei Integration, Optimierung und Fehlerbehebung.

Einheitliche API-Plattform

Greifen Sie über eine konsistente API auf über 400 KI-Modelle (LLM, Bild, Video, Audio) zu. Einzelne Integration für alle Ihre KI-Anforderungen.

Erleben Sie GLM-4.7 heute

Beginnen Sie mit dem Aufbau mit dem fortschrittlichsten Open-Source-Programmier- und Denkmodell. Verfügbar über API oder Open-Source-Bereitstellung.

200K Kontextfenster für komplexe Aufgaben

Fortgeschrittene Denkmechanismen

Nr. 1 rangiertes Open-Source-Modell

GLM 4.7 API by ZHIPUAI

Parameter

Codebeispiel

Installieren

Authentifizierung

HTTP-Header

Anfrage senden

Eingabe-Schema

Beispiel-Anfragekörper

Ausgabe-Schema

Beispielantwort

Atlas Cloud Skills

Unterstützte Clients

Installieren

API-Schlüssel einrichten

Funktionen

MCP-Server

Unterstützte Clients

Installieren

Konfiguration

Verfügbare Werkzeuge

GLM-4.7 - Fortgeschrittenes Programmier- und Denk-LLM

Leistungs-Benchmarks

Kernfähigkeiten

Programmierexzellenz

Komplexes Denken

Vibe Coding

Perfekt für

Technische Spezifikationen

Häufig gestellte Fragen

Was macht GLM-4.7 anders als andere große Sprachmodelle?

Wie schneidet GLM-4.7 im Vergleich zu GPT-4 und Claude ab?

Kann ich GLM-4.7 in Coding-Agent-Frameworks verwenden?

Was ist das Kontextfenster und die Ausgabekapazität von GLM-4.7?

Wie kann ich über APIs auf GLM-4.7 zugreifen?

Muss ich GLM-4.7 selbst bereitstellen?

Warum Atlas Cloud für GLM-4.7 wählen?

Wettbewerbsfähige Preise

99,9% Verfügbarkeits-SLA

SOC 2 Type II Zertifiziert

Blitzschnelle Antwort

Expertenunterstützung

Einheitliche API-Plattform

Erleben Sie GLM-4.7 heute

Ähnliche Modelle Erkunden

GLM 5.2

GLM 5.1

GLM 5v Turbo

GLM 5

GLM 4.6

DeepSeek V4 Flash 0731

Qwen3.8 Max

Kimi K3

Grok 4.5

KAT Coder Air V2.5

KAT Coder Pro V2.5

Doubao Seed Character

Doubao Seed 2.1 Pro

Doubao Seed 2.1 Turbo

Kimi K2.7 Code

Eine API für alle Media-KI.

Parameter

Codebeispiel

Installieren

Authentifizierung

HTTP-Header

Anfrage senden

Eingabe-Schema

Beispiel-Anfragekörper

Ausgabe-Schema

Beispielantwort

Atlas Cloud Skills

Unterstützte Clients

Installieren

API-Schlüssel einrichten

Funktionen

MCP-Server

Unterstützte Clients

Installieren

Konfiguration