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.

GLM 4.7 dikembangkan oleh Z.ai. Atlas Cloud (dioperasikan oleh Atlas Cloud AI LLC) menyediakan akses ke model ini dan tidak memilikinya. Semua merek dagang adalah milik pemiliknya masing-masing.

Parameter

Contoh kode
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": "what is difference between http and https"
        }
    ],
    max_tokens=81920,
    temperature=0.7
)

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

Instalasi

Instal paket dependensi yang diperlukan.

pip install requests

Autentikasi

Semua permintaan API memerlukan autentikasi melalui API key. Anda bisa mendapatkan API key dari dasbor Atlas Cloud.

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

HTTP Headers

import os

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

Jaga keamanan API key Anda

Jangan pernah mengekspos API key Anda di kode sisi klien atau repositori publik. Gunakan variabel lingkungan atau proxy backend sebagai gantinya.

Kirim permintaan

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "zai-org/glm-4.7",
    "messages": [
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    "max_tokens": 81920,
    "temperature": 0.7,
    "stream": False
}

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

Input Schema

Parameter berikut diterima di isi permintaan.

Total: 14Wajib: 2Opsional: 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.

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

Contoh Isi Permintaan

{
  "model": "zai-org/glm-4.7",
  "messages": [
    {
      "role": "user",
      "content": "what is difference between http and https"
    }
  ],
  "max_tokens": 81920,
  "temperature": 0.7,
  "stream": false
}

Output Schema

API mengembalikan respons yang kompatibel dengan ChatCompletion.

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.

Contoh Respons

{
  "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 mengintegrasikan 400+ model AI langsung ke asisten pengkodean AI Anda. Satu perintah untuk menginstal, lalu gunakan bahasa alami untuk menghasilkan gambar, video, dan mengobrol dengan LLM.

Klien yang Didukung

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ klien yang didukung

Instalasi

npx skills add AtlasCloudAI/atlas-cloud-skills

Atur API Key

Dapatkan API key dari dasbor Atlas Cloud dan atur sebagai variabel lingkungan.

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

Kemampuan

Setelah diinstal, Anda dapat menggunakan bahasa alami di asisten AI Anda untuk mengakses semua model Atlas Cloud.

Pembuatan GambarBuat gambar dengan model seperti Nano Banana 2, Z-Image, dan lainnya.

Pembuatan VideoBuat video dari teks atau gambar dengan Kling, Vidu, Veo, dll.

Obrolan LLMMengobrol dengan Qwen, DeepSeek, dan model bahasa besar lainnya.

Unggah MediaUnggah file lokal untuk pengeditan gambar dan alur kerja gambar-ke-video.

Pelajari lebih lanjut

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server menghubungkan IDE Anda dengan 400+ model AI melalui Model Context Protocol. Berfungsi dengan klien apa pun yang kompatibel dengan MCP.

Klien yang Didukung

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ klien yang didukung

Instalasi

npx -y atlascloud-mcp

Konfigurasi

Tambahkan konfigurasi berikut ke file pengaturan MCP di IDE Anda.

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

Alat yang Tersedia

atlas_generate_imageBuat gambar dari prompt teks.

atlas_generate_videoBuat video dari teks atau gambar.

atlas_chatMengobrol dengan model bahasa besar.

atlas_list_modelsJelajahi 400+ model AI yang tersedia.

atlas_quick_generatePembuatan konten satu langkah dengan pemilihan model terbaik otomatis.

atlas_upload_mediaUnggah file lokal untuk alur kerja API.

Pelajari lebih lanjut

github.com/AtlasCloudAI/mcp-server

GLM-4.7 - LLM Pemrograman dan Penalaran Canggih

Terbaru

358 miliar parameter total dengan 32 miliar parameter aktif

GLM-4.7, dirilis pada 22 Desember 2025 oleh Z.ai, adalah model bahasa besar generasi berikutnya yang dirancang untuk lingkungan pengembangan dunia nyata. Dengan 358 miliar parameter total (32B aktif), jendela konteks 200K, dan mekanisme pemikiran inovatif, ia menempati peringkat #1 di antara model sumber terbuka di Code Arena dan mencapai peningkatan terobosan dalam tolok ukur pemrograman, penalaran, dan penggunaan alat.

358B

Parameter Total

32B

Parameter Aktif

200K

Jendela Konteks

MoE

Arsitektur

Berpikir Berselang

Model berpikir sebelum setiap respons dan pemanggilan alat, sehingga meningkatkan kepatuhan instruksi dan kualitas hasil

Penalaran yang ditingkatkan sebelum setiap tindakan
Peningkatan kepatuhan instruksi
Respons berkualitas lebih baik dengan verifikasi bawaan

Berpikir yang Dipertahankan

Secara otomatis mempertahankan semua blok pemikiran di seluruh percakapan multi-giliran dalam skenario pemrograman

Memakai ulang penalaran yang ada alih-alih menyimpulkannya kembali
Mengurangi kehilangan informasi di seluruh giliran
Memastikan konsistensi dalam dialog multi-giliran

Berpikir per Giliran

Kontrol per giliran atas penalaran dalam sesi untuk kinerja dan biaya yang optimal

Nonaktifkan pemikiran untuk permintaan ringan
Aktifkan pemikiran untuk tugas kompleks
Keseimbangan antara kecepatan dan akurasi

Penggunaan Alat Canggih

Peningkatan signifikan dalam kemampuan penggunaan alat dan penjelajahan web

Skor 87,4 pada τ²-Bench (tertinggi di antara sumber terbuka)
Penjelajahan web lebih baik melalui BrowseComp
Penggunaan alat interaktif yang ditingkatkan

Tolok Ukur Kinerja

GLM-4.7 mencapai hasil terdepan di berbagai tolok ukur standar industri

SWE-bench

Pemrograman

73.8%+5.8%

Tugas rekayasa perangkat lunak dunia nyata yang memerlukan pemahaman dan generasi kode

SWE-bench Multibahasa

Pemrograman

66.7%+12.9%

Pemrograman agentic multibahasa di berbagai bahasa pemrograman

Terminal Bench 2.0

Terminal

41%+16.5%

Tugas berbasis terminal dan operasi baris perintah

HLE (Ujian Terakhir Kemanusiaan)

Penalaran

42.8%+12.4%

Tantangan matematika dan penalaran yang kompleks

τ²-Bench

Penggunaan Alat

87.4#1

Evaluasi penggunaan alat interaktif

Code Arena

Keseluruhan

#1Di antara model sumber terbuka dan Tiongkok

Evaluasi buta skala besar dengan 1 juta+ peserta

Kemampuan Inti

💻

Keunggulan Pemrograman

Kinerja terdepan industri dalam pemrograman agentic multibahasa dan pengembangan perangkat lunak

73,8% pada SWE-bench (+5,8% peningkatan)
66,7% pada SWE-bench Multibahasa (+12,9%)
84,9 pada LiveCodeBench V6 (mengalahkan Claude Sonnet 4.5)

🧠

Penalaran Kompleks

Peningkatan substansial dalam tugas matematika dan penalaran kompleks

42,8% pada tolok ukur HLE (+12,4% peningkatan)
Peningkatan pemecahan masalah matematika
Kemampuan penalaran logis tingkat lanjut

🎨

Vibe Coding

Peningkatan besar dalam kualitas generasi UI/UX dan estetika desain

Desain halaman web yang lebih bersih dan modern
Presentasi slide yang lebih menarik secara visual
Kontrol tata letak dan ukuran yang akurat

Sempurna Untuk

👨‍💻

Agen Pemrograman & IDE

🔧

Alur Kerja Pengembangan

🤖

Asisten AI

🧪

Penelitian & Pendidikan

🎯

Pemecahan Masalah Kompleks

📊

Analisis Data

Spesifikasi Teknis

Parameter Total358 Miliar

Parameter Aktif32 Miliar

Jendela Konteks200K token

Kapasitas Output128K token

ArsitekturMixture of Experts (MoE)

Tanggal Rilis22 Desember 2025

PengembangZ.ai (sebelumnya Zhipu AI)

LisensiSumber Terbuka

Pertanyaan yang Sering Diajukan

Apa yang membuat GLM-4.7 berbeda dari model bahasa besar lainnya?

GLM-4.7 memperkenalkan mekanisme pemikiran canggih termasuk Pemikiran Berselang-seling, Pemikiran yang Dipertahankan, dan Pemikiran Tingkat Giliran. Fitur-fitur ini memungkinkan model mempertahankan konsistensi di seluruh percakapan, bernalar lebih efektif, dan memberi pengguna kontrol granular atas trade-off kinerja vs. biaya.

Bagaimana kinerja GLM-4.7 dibandingkan dengan GPT-4 dan Claude?

GLM-4.7 menempati peringkat #1 di antara model sumber terbuka dan model Tiongkok di Code Arena. Ia mencapai 84,9 pada LiveCodeBench V6, melampaui Claude Sonnet 4.5, dan menunjukkan peningkatan signifikan di seluruh tolok ukur pemrograman, penalaran, dan penggunaan alat.

Bisakah saya menggunakan GLM-4.7 dalam kerangka kerja agen pemrograman?

Ya! GLM-4.7 sekarang tersedia di agen pemrograman populer termasuk Claude Code, Kilo Code, Roo Code, dan Cline. Dioptimalkan untuk lingkungan pengembangan dengan siklus tugas yang lebih panjang, penggunaan alat yang sering, dan permintaan yang lebih tinggi untuk stabilitas dan konsistensi.

Apa jendela konteks dan kapasitas output dari GLM-4.7?

GLM-4.7 memiliki jendela konteks 200K token dengan kapasitas output 128K. Arsitektur MoE menggunakan 358 miliar parameter total dengan 32 miliar parameter aktif, memberikan kinerja luar biasa tanpa memerlukan sumber daya komputasi yang masif.

Bagaimana cara mengakses GLM-4.7 melalui API?

GLM-4.7 tersedia melalui API terpadu Atlas Cloud. Cukup gunakan endpoint API standar yang kompatibel dengan OpenAI kami untuk mengakses model ini. Periksa dokumentasi API kami untuk panduan integrasi dan contoh kode. Model juga tersedia sebagai rilis sumber terbuka untuk hosting sendiri.

Apakah saya perlu men-deploy GLM-4.7 sendiri?

Tidak perlu deployment! Atlas Cloud menyediakan GLM-4.7 siap pakai melalui API terpadu kami. Kami menangani semua infrastruktur, penskalaan, dan optimasi sehingga Anda dapat fokus membangun aplikasi Anda. Cukup lakukan panggilan API untuk mengakses model secara instan.

Mengapa Memilih Atlas Cloud untuk GLM-4.7?

Rasakan keandalan, keamanan, dan efisiensi biaya tingkat enterprise dengan layanan API GLM-4.7 yang sepenuhnya dikelola.

Harga Kompetitif

Harga bayar sesuai penggunaan dengan biaya transparan. Tanpa biaya tersembunyi, tanpa komitmen minimum. Mulai gratis.

SLA Uptime 99,9%

Infrastruktur tingkat enterprise dengan failover otomatis, load balancing, dan pemantauan 24/7 untuk keandalan maksimum.

Bersertifikat SOC 2 Type II

Keamanan tingkat enterprise dengan sertifikasi SOC 2 Type II. Data Anda dienkripsi saat transit dan penyimpanan dengan standar keamanan terkemuka industri.

Respons Secepat Kilat

CDN global dengan lokasi di seluruh dunia. Infrastruktur inferensi yang dioptimalkan memberikan waktu respons di bawah satu detik.

Dukungan Ahli

Tim dukungan teknis khusus tersedia 24/7. Dapatkan bantuan dengan integrasi, optimisasi, dan pemecahan masalah.

Platform API Terpadu

Akses 400+ model AI (LLM, gambar, video, audio) melalui satu API yang konsisten. Integrasi tunggal untuk semua kebutuhan AI Anda.

Rasakan GLM-4.7 Hari Ini

Mulai membangun dengan model pemrograman dan penalaran sumber terbuka paling canggih. Tersedia melalui API atau penerapan sumber terbuka.

Jendela konteks 200K untuk tugas kompleks

Mekanisme pemikiran canggih

Model sumber terbuka peringkat #1

GLM 4.7 API by ZHIPUAI

Parameter

Contoh kode

Instalasi

Autentikasi

HTTP Headers

Kirim permintaan

Input Schema

Contoh Isi Permintaan

Output Schema

Contoh Respons

Atlas Cloud Skills

Klien yang Didukung

Instalasi

Atur API Key

Kemampuan

MCP Server

Klien yang Didukung

Instalasi

Konfigurasi

Alat yang Tersedia

GLM-4.7 - LLM Pemrograman dan Penalaran Canggih

Tolok Ukur Kinerja

Kemampuan Inti

Keunggulan Pemrograman

Penalaran Kompleks

Vibe Coding

Sempurna Untuk

Spesifikasi Teknis

Pertanyaan yang Sering Diajukan

Apa yang membuat GLM-4.7 berbeda dari model bahasa besar lainnya?

Bagaimana kinerja GLM-4.7 dibandingkan dengan GPT-4 dan Claude?

Bisakah saya menggunakan GLM-4.7 dalam kerangka kerja agen pemrograman?

Apa jendela konteks dan kapasitas output dari GLM-4.7?

Bagaimana cara mengakses GLM-4.7 melalui API?

Apakah saya perlu men-deploy GLM-4.7 sendiri?

Mengapa Memilih Atlas Cloud untuk GLM-4.7?

Harga Kompetitif

SLA Uptime 99,9%

Bersertifikat SOC 2 Type II

Respons Secepat Kilat

Dukungan Ahli

Platform API Terpadu

Rasakan GLM-4.7 Hari Ini

Jelajahi Model Serupa

GLM 5.3 Flash

GLM 5.3

GLM 5.2

GLM 5.1

GLM 5v Turbo

GLM 5

GLM 4.6

DeepSeek V4 Pro 0813

Grok 4.6

DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash 0731

Qwen3.8 27B

Qwen3.8 Max

Kimi K3

Grok 4.5

KAT Coder Air V2.5

Satu API untuk semua AI multimedia.

Parameter

Contoh kode

Instalasi

Autentikasi

HTTP Headers

Kirim permintaan

Input Schema

Contoh Isi Permintaan

Output Schema

Contoh Respons

Atlas Cloud Skills

Klien yang Didukung

Instalasi

Atur API Key

Kemampuan

MCP Server

Klien yang Didukung

Instalasi