glm-4.7-n

glm-4.7-n 隶属 GLM 系列，2025 年 12 月 22 日发布，知识截止时间为 2025 年 4 月，输入输出均为纯文本，不支持图像等多模态输入。它要解决的核心问题是长任务承载：205000 tokens 的上下文窗口足以容纳整份技术文档、长篇合同或多轮对话历史，131072 tokens 的单次最大输出则让它能一次性产出成规模的文本，而不是被迫切成多段拼接。能力层面标注了推理与工具调用两项，说明它被设计成可以接入外部函数、检索或执行链路，承担 Agent 流程中的决策与生成环节。权重开放意味着团队可以自行部署或做后训练适配，对有数据合规要求、需要私有化落地的场景更有吸引力。需要注意，它的公开定价与参数规模尚未披露，第三方评测跑分在本站也未收录，因此选型时更适合把它放进自有任务的实测对比中，而不是依赖榜单结论。目前可获取的渠道较少，获取路径与配额需要以提供方页面为准。

选型建议需要长上下文、超大输出、工具调用且看重权重开放的团队值得实测评估；要现成跑分背书、多模态能力或明确公开报价的场景则不宜优先选它。

• 整篇读入技术文档或合同，做条款比对、风险点提取与结构化摘要
• 搭建带工具调用的 Agent 流程，由模型规划步骤并调用外部函数
• 长篇小说、报告或规范类文本的一次性长文生成与扩写
• 在私有环境中部署开源权重，处理不宜外发的内部资料
• 承接多轮长对话的客服或助手场景，保持历史上下文不丢失

GLM 系列采用 Transformer 系的自回归语言模型路线，glm-4.7-n 在这一框架下强化了长上下文与工具调用，但具体参数规模与结构细节官方披露有限。

• 结构取向沿用 GLM 系列的自回归文本生成范式，配合长上下文扩展设计，使其能整篇读入文档后连续作答，而非分段摘要后拼接。
• 能力接口标注支持推理与工具调用，可在 Agent 链路中做任务拆解、函数调用与结果整合，适合把模型放进自动化流程而非单轮问答。
• 披露程度参数规模、注意力实现与训练数据构成等细节公开资料较少，权重虽开放，工程评估仍建议以实测显存占用与吞吐为准。

开源权重

是

模型家族

glm

本站未收录该模型的公开跑分，性能只能从规格与能力标注做定性判断，实际表现需按自身任务验证。

• 强项长上下文与超大输出组合，适合整篇长文档理解、长篇报告生成与多轮长会话，减少切片带来的上下文割裂。
• 短板纯文本输入输出，缺少图像等模态；无第三方跑分佐证，推理与工具调用的稳定性缺乏公开对照数据。
• 适合需要私有部署或权重可控的团队，以及把模型嵌入工具调用链路、对上下文长度敏感的长任务型应用。

官方价格未公开，本站也未能计算它与同类模型的价差，成本判断只能依赖提供方页面与自建部署两种口径分别估算。

• 价格定位官方定价尚未披露，无法给出单位 token 成本区间；权重开放意味着自建部署可用自有算力折算，成本结构与传统 API 计费不同。
• 横向对比同在 Poe 上的 deep research 类模型输入价分别标到 9 美元与 1.8 美元每百万 tokens 一档，Claude 系列两档为 2.6 与 0.21 美元，本模型因价格缺失无法直接对齐。
• 平台差价目前仅在单一平台可获取，缺少跨平台比价基础，也谈不上渠道间价差，选择空间受限于提供方的开放情况。
• 省钱思路价格未知时从用量侧控制——合并多次调用、限定输出长度、用长上下文承载历史以免重复输入，从而压低总 token 消耗。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径知识截止为 2025 年 4 月，此后的事件与数据不在其内；需要时效信息时应配合检索或工具调用补齐。
• 边界仅支持文本输入输出，图像、音频等场景不适用；未收录公开跑分，能力上限缺乏第三方横向验证，重要业务需先做小样本实测。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。