O GLM-4.7 é o modelo GLM que fez da programação a capacidade em destaque da família. Trouxe geração de código reforçada, raciocínio multipasso estável, melhor gestão de tarefas de agentes complexas, diálogo mais natural e uma estética de front-end visivelmente melhorada — este último ponto importa mais do que parece, porque um modelo que escreve código de interface plausível poupa uma categoria de trabalho manual que os benchmarks puramente de back-end nunca captam.
Situa-se imediatamente antes da série 5 na linhagem, e boa parte daquilo pelo qual a série 5 é elogiada começou como uma melhoria do 4.7. É também a geração que produziu o nível GLM-4.7-Flash de 30B, que continua a ser a resposta da família para equipas que precisam de um modelo genuinamente pequeno sem sair da mesma licença MIT e dos mesmos alojamentos de pesos. Lidos em conjunto, os dois lançamentos 4.7 são o ponto em que a família deixou de ser uma linha de investigação interessante para passar a ser algo que se pode razoavelmente colocar por trás de um produto.
Sem registo, sem conta, sem créditos. Escreva um prompt e receba uma resposta em streaming.
A resposta aparecerá aqui...
Este playground executa um LLM open source gratuito através da OpenRouter. Não é o GLM-5.2 e não utiliza pesos GLM — está aqui para que possa testar um modelo ao vivo enquanto lê os dados de benchmark publicados do GLM mais abaixo.
A maioria das avaliações de programação mede se um patch faz um teste passar. Isso deixa de fora uma classe inteira de trabalho: produzir código de interface que uma pessoa aceite sem reescrever. Um layout que se aguenta, espaçamentos sensatos, componentes que seguem as convenções da framework em uso — tudo isto é avaliado visualmente, e não por um executor de testes, e um modelo que erra nestes pontos gera trabalho em vez de o poupar. A melhoria do GLM-4.7 nessa área, a par de um diálogo mais natural, tornou-o utilizável como parceiro do dia a dia em trabalho de aplicações, e não apenas em tarefas algorítmicas isoladas. A mesma geração apertou também o raciocínio multipasso estável, que foi o que permitiu à linha GLM-5 concentrar-se na extensão do horizonte em vez da fiabilidade básica de execução.
A tabela comparativa publicada abrange o GLM-5.2 e o GLM-5.1. A coluna abaixo é a do GLM-5.1 — o ponto de referência publicado mais próximo da geração que se seguiu ao GLM-4.7. Não foi publicada nenhuma coluna de benchmarks para o próprio GLM-4.7.
Não existe nenhuma linha do GLM-4.7 no conjunto de comparação publicado, pelo que nenhuma é citada aqui. A coluna de referência mostra o que a geração seguinte conseguiu em programação: 58.4 no SWE-bench Pro, 50.9 no ProgramBench e 42.7 no NL2Repo para o GLM-5.1, contra 62.1, 63.7 e 48.9 para o GLM-5.2. Se precisa de desempenho de programação medido em vez de posicionamento, essas são as duas colunas que vale a pena ler.
Comparação no ProgramBench, tal como publicada pelos autores do modelo.
O ProgramBench é a avaliação publicada mais próxima da força declarada do GLM-4.7. A fronteira lidera — Claude Opus 4.8 com 71.9 e GPT-5.5 com 70.8 — com o GLM-5.2 em 63.7, o GLM-5.1 em 50.9 e o DeepSeek-V4-Pro em 47.8. O campo de pesos abertos abrange mais de quinze pontos nesta linha, o que é um lembrete útil de que "modelo aberto" não é um patamar de desempenho: o lançamento concreto que escolhe importa muito mais do que a licença que ele traz.
O GLM-4.7 sucede ao GLM-4.5-Air e precede o GLM-5. O seu irmão leve, o GLM-4.7-Flash, é um modelo de 30B da mesma geração, e toda a linha converge hoje no GLM-5.2. Se está a escolher agora um modelo GLM para trabalho de programação, o modelo emblemático traz todas as melhorias da geração 4.7 mais a janela de contexto de 1M e uma coluna de benchmarks publicada. A forma útil de pensar na linhagem é que a capacidade se acumulou enquanto a licença se manteve constante: tudo a partir do nível 4.5 é MIT com pesos nos mesmos alojamentos públicos, pelo que subir na família é sempre uma decisão de computação e nunca uma decisão jurídica.
O modelo emblemático com contexto de 1M de tokens. É o estado da arte open source em avaliações de programação e de longo alcance, com níveis de esforço explícitos Non-Thinking, High e Max.
O nível leve de 30B. Eficiente e rápido o suficiente para inferência local, e reportado como superior a modelos abertos de escala semelhante.
Leia os benchmarks do modelo GLM e depois ponha um modelo real a trabalhar. O playground acima é gratuito e não exige nada de si; se quiser um conjunto de ferramentas de IA mais completo, o plano gratuito do nosso parceiro começa aqui.