В конце декабря 2025 года китайская компания Zhipu AI (бренд Z.ai) выпустила GLM 4.7 — очередное поколение своей флагманской языковой модели, ориентированной на программирование, агентные сценарии и сложные рассуждения. За год это уже четвёртое крупное обновление серии GLM, и оно стало самым заметным: модель вслепую обгоняет западных лидеров в кодинг-аренах, стоит в разы дешевле и распространяется с открытыми весами. Разбираем, что внутри, чем GLM 4.7 отличается от GLM 4.6 и стоит ли её ставить в свой рабочий стек в 2026 году.
Что такое GLM 4.7 и почему вокруг неё столько разговоров
GLM 4.7 — большая языковая модель с архитектурой Mixture-of-Experts (MoE): общий объём параметров достигает 358 млрд, но при каждом запросе активируется лишь их часть, что ускоряет инференс и снижает стоимость обработки токенов. Заявленные ключевые навыки — многошаговая разработка ПО, вызов инструментов (function calling), работа с длинным контекстом и структурированные агентные задачи, где важна стабильность на длинных циклах выполнения.
Модель релизнулась 22 декабря 2025 года и сразу показала сильные результаты на независимых бенчмарках: первое место среди open-source решений в Code Arena (слепое голосование пользователей), победа над Claude Sonnet 4.5 в LiveCodeBench V6 и лучший результат среди открытых моделей на математическом тесте AIME 2025. При этом подписка GLM Coding Plan стоит около 6 долларов в месяц — примерно в семь раз дешевле сопоставимых западных тарифов.
Технические характеристики GLM 4.7
| Параметр | Значение |
|---|---|
| Разработчик | Zhipu AI (Z.ai) |
| Архитектура | Mixture-of-Experts, 358 млрд параметров |
| Контекстное окно | 200–204K токенов на вход |
| Максимальный вывод | 128–131K токенов за один ответ |
| Модальность | Текст в — текст из (текстовая LLM) |
| Лицензия | MIT, открытые веса на Hugging Face |
| Цена API | $0,60 за 1 млн входных и $2,20 за 1 млн выходных токенов |
| Дата релиза | 22 декабря 2025 года |
Лимит вывода в 131 тысячу токенов — один из самых высоких в индустрии: модель способна сгенерировать целое веб-приложение или подробно переписать большой модуль за одну итерацию без обрезки. Контекст в 200K позволяет за один проход анализировать объёмные кодовые базы, техническую документацию и длинные диалоги с агентом.
Ключевые фишки: interleaved thinking и preserved thinking
Главная инженерная инновация GLM 4.7 — технология interleaved thinking. Классическая LLM «размышляет» только в начале ответа, а дальше действует по накатанной. Здесь же модель рассуждает перед каждым действием и каждым вызовом инструмента: открыла файл — подумала, отредактировала — снова подумала. Это заметно повышает качество в агентных средах вроде Claude Code, Cline, Roo Code и OpenCode.
Вторая фишка — preserved thinking: контекст рассуждений сохраняется между ходами диалога. Автономные агенты, которые выполняют десятки последовательных шагов, перестают «забывать» промежуточную логику и не деградируют к третьему десятку итераций. Именно поэтому модель лидирует среди открытых систем на τ²-Bench — тесте на реалистичное агентное взаимодействие с инструментами.
Отдельно прокачан так называемый vibe coding — генерация эстетичного фронтенд-кода: чистая вёрстка, современные компоненты, корректная адаптация презентаций под формат 16:9 (показатель вырос с 52% у GLM 4.6 до 91%). В диалогах модель отвечает прямее и с меньшим количеством «воды».
Бенчмарки: цифры, которые стоит знать
| Тест | Результат GLM 4.7 | Что измеряет |
|---|---|---|
| SWE-bench Verified | 73,8% | Решение реальных GitHub-issues |
| LiveCodeBench V6 | 84,8 | Конкурсное программирование без утечки данных |
| AIME 2025 | 95,7% | Олимпиадная математика |
| GPQA Diamond | 85,7% | Научные вопросы уровня PhD |
| τ²-Bench | 87,4 | Агентные сценарии с инструментами |
| MMLU-Pro | 84,3% | Общие знания и рассуждения |
| HLE (Human Last Exam) | 42,8% | Сложнейший экзамен для LLM |
| Terminal Bench 2.0 | 41% | Длинные автономные рабочие процессы в терминале |
Картина типична для лучших моделей конца 2025 года: в чистом кодинге и математике GLM 4.7 на уровне или выше Claude Sonnet 4.5 и близка к GPT-5.1, но на самых длинных автономных задачах (Terminal Bench) уступает флагманам Google и OpenAI, которые надёжнее держат рабочие процессы в 30+ шагов.
GLM 4.7 против конкурентов: сравнительная таблица
| Критерий | GLM 4.7 | Claude Sonnet 4.5 | GPT-5.1 / 5.2 | DeepSeek V3.2 |
|---|---|---|---|---|
| SWE-bench Verified | 73,8% | ≈74% | 76%+ | ниже |
| Контекст | 200K | 200K | 200K+ | 128K |
| Цена входа, за 1M токенов | $0,60 | $3–5 | $1,2–5 | ~$0,3 |
| Открытые веса | Да, MIT | Нет | Нет | Да |
| Мультимодальность | Нет (только текст) | Да | Да | Частично |
Вывод из сравнения простой: если задача — кодинг, агенты и высокая нагрузка при ограниченном бюджете, GLM 4.7 даёт frontier-качество за малую долю цены. Если нужны зрение, аудио или максимальная автономность — придётся смотреть на закрытые альтернативы, ведь GLM 4.7 работает только с текстом.
Как пользоваться: доступ, API и локальное развёртывание
Способов три. Первый — бесплатно попробовать в веб-чате Chat.Z.Ai. Второй — платная подписка GLM Coding Plan (от $6 в месяц), которая подключается напрямую к агентным средам разработки: Claude Code, Cline, Roo Code, OpenCode. Третий — OpenAI-совместимый API: достаточно подменить base URL и указать model «glm-4.7», существующие SDK заработают без переписывания кода.
Веса под лицензией MIT опубликованы на Hugging Face и ModelScope, то есть модель можно развернуть на своих серверах — важно для компаний с требованиями к приватности данных. Но есть нюанс: при 358 млрд параметров локальный запуск требует порядка 700 ГБ видеопамяти, так что без серверного железа уровня нескольких A100/H100 не обойтись. Для потребительских GPU это непосильная нагрузка.
Если вы только начинаете погружаться в тему и хотите сравнить возможности искусственного интеллекта разных вендоров перед выбором, удобнее всего опираться на профильный информационный портал, где собраны актуальные обзоры и инструкции по нейросетям.
Слабые места: о чём честно предупредить
- Только текстовая модальность — для работы с изображениями и аудио понадобится внешняя модель.
- Периодические замедления в часы пик на персональном тарифе API: инфраструктура Z.ai уступает по пропускной способности крупным западным провайдерам.
- В очень сложных сессиях кодинга модель иногда игнорирует ограничения по структуре файлов и форматированию.
- Высокие требования к железу при self-hosting — локальный запуск доступен немногим.
- Автономность ограничена: надёжно справляется с 8–12 последовательными вызовами инструментов, а на сверхдлинных workflows лучше показывают Gemini 3 и Kimi K2.
Частые вопросы (FAQ)
GLM 4.7 бесплатная?
Да, с оговорками. Веб-чат Chat.Z.Ai доступен бесплатно, веса открыты под лицензией MIT. Но продвинутые тарифы (GLM Coding Plan) и промышленный API платные — впрочем, цены заметно ниже, чем у OpenAI и Anthropic.
Чем GLM 4.7 отличается от GLM 4.6?
Прирост заметен по всему профилю: SWE-bench вырос с ~68% до 73,8%, HLE — на 38% относительно прошлой версии, появились interleaved thinking, preserved thinking и улучшенный «эстетический» фронтенд-кодинг. Диалоги стали прямее и короче.
GLM 4.7 лучше ChatGPT?
В программировании и математике — на сопоставимом уровне или выше, при стоимости в разы ниже. В мультимодальности и сверхдлинных агентных задачах GPT-5.2 и Gemini 3 Pro пока впереди. Универсального ответа нет: выбор зависит от задач.
Можно ли запустить GLM 4.7 локально?
Технически да, веса открыты. Практически — нужна серверная конфигурация с суммарно около 700 ГБ VRAM, поэтому для большинства пользователей реалистичен вариант через API или облачный хостинг.
Итог: кому стоит обратить внимание на GLM 4.7
GLM 4.7 — pragmatic-выбор эпохи, когда разница между frontier-моделями измеряется десятыми долями процента, а разница в цене — семью. Она идеальна для команд разработчиков с большим объёмом инференса, для тех, кто строит агентные пайплайны с частыми вызовами инструментов, и для бизнеса, которому нужны открытые веса и полный контроль над данными. Если ваш сценарий — высоконагруженный кодинг-ассистент за копейки, это сейчас одна из лучших ставок на рынке. Если же нужны зрение, звук и максимальная автономность агентов, стоит держать в бэклоге и западные флагманы.
