GLM-4.7-Flash
GLM-4.7-Flash est un LLM open-weights de Zhipu AI, publié le 19 janvier 2026 sous licence MIT avec usage commercial autorisé. Son architecture MoE réunit 30 milliards de paramètres, dont 3 milliards actifs, et prend en charge une fenêtre de contexte de 202 752 tokens.
GLM-4.7-Flash est un LLM open-weights de Zhipu AI, publié le 19 janvier 2026 sous licence MIT avec usage commercial autorisé. Son architecture MoE réunit 30 milliards de paramètres, dont 3 milliards actifs, et prend en charge une fenêtre de contexte de 202 752 tokens.
Son positionnement repose sur un coût très économique, une exécution locale avec vLLM, SGLang ou Transformers, ainsi qu’un accès par l’API Z.ai. Il intègre aussi un mode Preserved Thinking pour certaines tâches agentiques multi-tours et des options de parsing destinées au tool calling et au raisonnement.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Zhipu AI |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | MIT |
| Date de sortie | 19 janvier 2026 |
| Multimodal | non |
| Paramètres | 30 milliards |
| Paramètres actifs | 3 milliards |
| Fenêtre de contexte | 128 000 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 22.9 | 90ᵉ / 137 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| AIME 2025 | 91,6 % | 37ᵉ / 108 | llm-stats | Auto-déclaré |
| Tau-bench | 79,5 % | 4ᵉ / 6 | llm-stats | Auto-déclaré |
| GPQA | 75,2 % | 95ᵉ / 219 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 59,2 % | 79ᵉ / 102 | llm-stats | Auto-déclaré |
| BrowseComp | 42,8 % | 50ᵉ / 57 | llm-stats | Auto-déclaré |
| Humanity's Last Exam | 14,4 % | 71ᵉ / 89 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Classements Arena (Elo)
Arena Text · 200 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Claude Fable 5 | 1507 |
| 2ᵉ | Claude Opus 4.6 | 1504 |
| 3ᵉ | Claude Opus 4.7 | 1503 |
| ⋯ | ⋯ | |
| 162ᵉ | Qwen3-Next-80B-A3B-Thinking | 1370 |
| 163ᵉ | Arcee AI: Trinity Large Thinking | 1369 |
| 164ᵉ | GLM-4.7-Flash | 1368 |
| 165ᵉ | amazon-nova-experimental-chat-11-10 | 1366 |
| 166ᵉ | Gemma 3 27B | 1366 |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,06 $ | 0,4 $ | 0,01 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 97 % en dessous de la moyenne des LLM similaires, et 91,7 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,05 $ |
| Latence moyenne par benchmark — Benchable | 3 h 28 min |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. GLM-4.7-Flash se distingue surtout en Email Classification (Baseline), où il occupe la première place parmi 258 modèles. Ses résultats absolus sont également élevés en Ethics, General Knowledge et Coding, même si leurs classements relatifs sont moins favorables. À sa sortie, il figurait dans le top 35% des LLM de sa génération sur GPQA. Son principal avantage reste économique : sa tarification se situe 97% sous la moyenne des LLM similaires et environ 91,7 fois sous celle des modèles frontière. La licence MIT, les poids ouverts et la compatibilité avec plusieurs moteurs de déploiement élargissent ses possibilités d’intégration.
Limites et points d'attention. Son Intelligence Index le place dans la partie basse du classement, tandis que ses résultats en Reasoning et Mathematics restent en retrait par rapport à de nombreux concurrents. Son rang dans Arena text confirme aussi une préférence globale limitée face aux modèles haut de gamme. Les scores élevés de certains tests Baseline doivent donc être lus avec leurs rangs, notamment en Ethics, General Knowledge et Coding. GLM-4.7-Flash convient surtout aux déploiements sensibles au coût, à la classification d’e-mails et aux usages nécessitant une longue fenêtre de contexte ou une exécution locale.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).