GLM-4.7-Flash は、フラッグシップがそもそも収まらない場面のために作られた、300億パラメータのGLMモデルです。300億という規模は、高メモリのアクセラレータ1枚、あるいは量子化すればコンシューマ向けハードウェアでも動く階級であり、ローカル開発、オンプレミス推論、そしてベンチマークの数ポイントよりリクエストごとのレイテンシが重要な用途にとって自然な選択になります。
モデル開発元はこれを効率的かつ高性能と位置づけ、同規模のオープンソースモデルを上回ると報告しています。このティアではその主張こそが本質です。30Bモデルを配備する人はフロンティアシステムに勝つことなど期待していませんが、代わりに動かせた他の30Bの選択肢に勝てるかどうかは大いに気にします。
登録もアカウントもクレジットも不要。プロンプトを入力すれば、その場で回答がストリーミングされます。
ここに回答がストリーミングされます...
このプレイグラウンドは OpenRouter 経由で無料のオープンソースLLMを実行しています。GLM-5.2 ではなく、GLMのウェイトも使用していません。以下に掲載したGLMの公表ベンチマークを読みながら、稼働中のモデルを実際に試せるように用意したものです。
パラメータ数はモデルが物理的にどこで動けるかを決め、その制約は素の能力よりも多くのアーキテクチャ判断を左右します。30Bモデルは小さなチームがすでに所有しているハードウェアで配信でき、プロンプトを自社ネットワーク内にとどめ、バッチキューではなく対話ループに収まる速さで応答します。またファインチューニングが研究プロジェクトでなくなる規模でもあります。30BのGLMモデルを狭い領域に適応させ、その結果を半日で評価することも可能です。代償は現実にあります。パラメータが少なければ、難しく長時間に及ぶ推論の余力は小さくなり、それこそ100万トークン文脈のフラッグシップが担う領域です。ファミリーの正しい使い方は難易度で処理を振り分けることで、安価で大量のタスクは Flash に任せ、本当に必要な問題にだけフラッグシップを充てることです。
公表された比較表がカバーするのは GLM-5.2 と GLM-5.1 です。以下の列は GLM-5.1 のもので、ファミリーの参照点として示しているにすぎません。GLM-4.7-Flash のベンチマーク列は公表されておらず、当サイトも推定していません。
GLM-4.7-Flash の公表行はなく、はるかに大きなモデルから推定すればどちらの方向にも誤解を招きます。参照列が役立つのは目盛り合わせとしてです。公表されているGLMモデルがどの範囲に分布するかを示すので、前世代のフルサイズモデルが達成した水準を踏まえたうえで、30Bモデルが自分のタスクに足りそうかを判断できます。
DeepSWE での比較。モデル開発元の公表値です。
DeepSWE はモデル規模の差が最も容赦なく表れる場所です。GPT-5.5 が70.0 で首位、Claude Opus 4.8 が58.0、GLM-5.2 が46.2、前世代のオープンモデルははるかに下に固まり、GLM-5.1 と Qwen3.7-Max が18.0、DeepSeek-V4-Pro が8.0 です。ワークロードが DeepSWE のような形なら、どれほど効率的でも軽量モデルは不適切な道具です。分類、抽出、日常的なコード修正のような形なら、Flash で十分でしょう。
GLM-4.7-Flash は GLM-4.7 世代の軽量ティアで、フルサイズの GLM-4.7 と並び、ファミリーの効率系列では旧来の GLM-4.5-Air の上に位置します。この系列はすべて同じ MIT ライセンスと同じウェイト公開先なので、ティア間の移動は法務ではなくハードウェアの判断です。
GLMモデルのベンチマークを読んだら、実際のモデルを動かしてみてください。上のプレイグラウンドは無料で、何の登録も必要ありません。より本格的なAIツールが必要なら、パートナーの無料プランをどうぞ。