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.

參數

程式碼範例
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)

安裝

安裝所需的相依套件。

pip install requests

驗證

所有 API 請求都需要透過 API Key 進行認證。您可以在 Atlas Cloud 控制台取得 API Key。

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

HTTP 標頭

import os

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

保護好您的 API Key

切勿在客戶端程式碼或公開儲存庫中暴露您的 API Key。請使用環境變數或後端代理。

提交請求

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())

Input Schema

以下參數在請求主體中被接受。

總計: 14必填: 2選填: 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

範例請求主體

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

Output Schema

API 傳回相容 ChatCompletion 的回應格式。

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.

範例回應

{
  "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 將 400+ AI 模型直接整合到您的 AI 程式碼助手中。一條命令安裝，即可用自然語言生成圖片、影片，以及與 LLM 對話。

支援的客戶端

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ 支援的客戶端

安裝

npx skills add AtlasCloudAI/atlas-cloud-skills

設定 API Key

從 Atlas Cloud 控制台取得 API Key，並將其設定為環境變數。

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

功能

安裝完成後，您可以在 AI 助手中使用自然語言存取所有 Atlas Cloud 模型。

圖片生成使用 Nano Banana 2、Z-Image 等模型生成圖片。

影片創作使用 Kling、Vidu、Veo 等從文字或圖片創建影片。

LLM 對話與 Qwen、DeepSeek 及其他大型語言模型對話。

媒體上傳上傳本機檔案用於圖片編輯和圖生影片工作流程。

MCP Server

Atlas Cloud MCP Server 透過 Model Context Protocol 將您的 IDE 與 400+ AI 模型連接。支援任何相容 MCP 的客戶端。

支援的客戶端

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ 支援的客戶端

安裝

npx -y atlascloud-mcp

設定

將以下設定新增到您的 IDE 的 MCP 設定檔中。

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

可用工具

atlas_generate_image根據文字提示生成圖片。

atlas_generate_video從文字或圖片創建影片。

atlas_chat與大型語言模型對話。

atlas_list_models瀏覽 400+ 可用 AI 模型。

atlas_quick_generate一步式內容創建，自動選擇最佳模型。

atlas_upload_media上傳本機檔案用於 API 工作流程。

了解更多

github.com/AtlasCloudAI/mcp-server

358B

總參數

32B

活躍參數

200K

上下文視窗

MoE

架構

交錯思考

模型在每次回應和工具呼叫前進行思考,提升指令遵循和生成品質

每次操作前增強推理能力
改進指令遵循性
內建驗證機制,提供更高品質回應

保留思考

在程式設計場景中,自動保留多輪對話中的所有思考區塊

重用現有推理而非重新推導
減少跨輪次的資訊遺失
確保多輪對話的一致性

輪次級思考

在會話中對每輪推理進行精細控制,優化效能和成本

輕量級請求可停用思考
複雜任務可啟用思考
平衡速度和準確性

進階工具使用

工具使用能力和網頁瀏覽功能顯著提升

τ²-Bench 得分87.4(開源最高)
透過 BrowseComp 改進網頁瀏覽
增強互動式工具使用

效能基準測試

GLM-4.7 在多個業界標準基準測試中實現最先進的結果

SWE-bench

程式設計

73.8%+5.8%

需要程式碼理解和生成的真實軟體工程任務

SWE-bench 多語言

程式設計

66.7%+12.9%

跨多種程式設計語言的多語言智慧程式設計

Terminal Bench 2.0

終端

41%+16.5%

基於終端的任務和命令列操作

HLE (人類最後的考試)

推理

42.8%+12.4%

複雜的數學和推理挑戰

τ²-Bench

工具使用

87.4#1

互動式工具使用評估

Code Arena

綜合

#1開源及國產模型中

擁有超過100萬參與者的大規模盲測評估

核心能力

💻

卓越程式設計

在多語言智慧程式設計和軟體開發方面處於業界領先地位

SWE-bench 達到73.8%(提升5.8%)
SWE-bench 多語言達到66.7%(提升12.9%)
LiveCodeBench V6 得分84.9(超越 Claude Sonnet 4.5)

🧠

複雜推理

在數學和複雜推理任務上顯著提升

HLE 基準測試達到42.8%(提升12.4%)
增強數學問題解決能力
進階邏輯推理能力

🎨

介面程式設計

UI/UX 生成品質和設計美學大幅改進

更簡潔、更現代的網頁設計
更美觀的簡報
精確的版面配置和尺寸控制

完美適用於

👨‍💻

程式設計助手與IDE

🔧

開發工作流程

🤖

AI助手

🧪

研究與教育

🎯

複雜問題求解

📊

資料分析

技術規格

總參數量3580億

活躍參數量320億

上下文視窗20萬 tokens

輸出容量12.8萬 tokens

架構混合專家模型(MoE)

發布日期2025年12月22日

開發者智譜AI (Z.ai)

授權開源

常見問題

GLM-4.7 與其他大語言模型有何不同?

GLM-4.7 引入了先進的思維機制,包括交錯思考、保留思考和輪次級思考。這些功能使模型能夠在對話中保持一致性,更有效地推理,並為使用者提供效能與成本權衡的精細控制。

GLM-4.7 與 GPT-4 和 Claude 相比表現如何?

GLM-4.7 在 Code Arena 上位居開源模型和國產模型第一。在 LiveCodeBench V6 上達到84.9分,超越 Claude Sonnet 4.5,並在程式設計、推理和工具使用基準測試中顯示出顯著改進。

我可以在程式設計助手框架中使用 GLM-4.7 嗎?

可以!GLM-4.7 現已在流行的程式設計助手中提供,包括 Claude Code、Kilo Code、Roo Code 和 Cline。它針對具有較長任務週期、頻繁工具使用以及對穩定性和一致性要求更高的開發環境進行了最佳化。

GLM-4.7 的上下文視窗和輸出容量是多少?

GLM-4.7 具有20萬 token 的上下文視窗和12.8萬 token 的輸出容量。MoE 架構使用3580億總參數和320億活躍參數,在不需要大量運算資源的情況下提供出色的效能。

如何透過 API 存取 GLM-4.7?

GLM-4.7 可透過 Atlas Cloud 統一 API 存取。只需使用我們標準的 OpenAI 相容 API 端點即可存取此模型。查看我們的 API 文件以獲取整合指南和程式碼範例。該模型也提供開源版本供自行部署。

我需要自行部署 GLM-4.7 嗎?

無需部署!Atlas Cloud 透過統一 API 提供開箱即用的 GLM-4.7。我們處理所有基礎架構、擴展和最佳化工作,讓您專注於建構應用程式。只需呼叫 API 即可立即存取模型。

為什麼選擇 Atlas Cloud 使用 GLM-4.7?

透過我們完全託管的 GLM-4.7 API 服務,體驗企業級可靠性、安全性和成本效益。

極具競爭力的價格

按需付費,價格透明。無隱藏費用,無最低承諾。免費開始使用。

99.9% 正常運行時間 SLA

企業級基礎設施,具有自動故障轉移、負載平衡和全天候監控,確保最高可靠性。

SOC 2 Type II 認證

企業級安全性,具有 SOC 2 Type II 認證。您的資料在傳輸和儲存過程中均已加密,符合業界領先的安全標準。

閃電般的回應速度

全球 CDN,在全球設有邊緣節點。最佳化的推理基礎設施可提供亞秒級回應時間。

專業技術支援

全天候專業技術支援團隊。獲得整合、最佳化和疑難排解方面的協助。

統一 API 平台

透過一個一致的 API 存取 400 多個 AI 模型(LLM、圖像、視訊、音訊)。一次整合滿足所有 AI 需求。

立即體驗 GLM-4.7

使用最先進的開源程式設計和推理模型開始建構。可透過 API 或開源部署方式使用。

20萬上下文視窗處理複雜任務

先進的思維機制

開源模型排名第一

GLM 4.7 API by ZHIPUAI

參數

程式碼範例

安裝

驗證

HTTP 標頭

提交請求

Input Schema

範例請求主體

Output Schema

範例回應

Atlas Cloud Skills

支援的客戶端

安裝

設定 API Key

功能

MCP Server

支援的客戶端

安裝

設定

可用工具

GLM-4.7 - 先進的程式設計與推理大語言模型

效能基準測試

核心能力

卓越程式設計

複雜推理

介面程式設計

完美適用於

技術規格

常見問題

GLM-4.7 與其他大語言模型有何不同?

GLM-4.7 與 GPT-4 和 Claude 相比表現如何?

我可以在程式設計助手框架中使用 GLM-4.7 嗎?

GLM-4.7 的上下文視窗和輸出容量是多少?

如何透過 API 存取 GLM-4.7?

我需要自行部署 GLM-4.7 嗎?

為什麼選擇 Atlas Cloud 使用 GLM-4.7?

極具競爭力的價格

99.9% 正常運行時間 SLA

SOC 2 Type II 認證

閃電般的回應速度

專業技術支援

統一 API 平台

立即體驗 GLM-4.7

探索類似模型

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

一個 API，暢享全模態 AI。

參數

程式碼範例

安裝

驗證

HTTP 標頭

提交請求

Input Schema

範例請求主體

Output Schema

範例回應

Atlas Cloud Skills

支援的客戶端

安裝

設定 API Key

功能

MCP Server

支援的客戶端

安裝

設定