> ## Documentation Index
> Fetch the complete documentation index at: https://docs.bigmodel.cn/llms.txt
> Use this file to discover all available pages before exploring further.
# 最新模型：GLM-4.7
##
GLM-4.7 面向 **Agentic Coding** 场景强化了编码能力、长程任务规划与工具协同，并在多个公开基准的当期榜单中取得开源模型中的出色表现。通用能力提升，回复更简洁自然，写作更具沉浸感。在执行复杂智能体任务，在工具调用时指令遵循更强，Artifacts 与 Agentic Coding 的前端美感和长程任务完成效率进一步提升。
##
##
GLM-4.7 面向「任务完成」而非单点代码生成，能够从目标描述出发，自主完成需求理解、方案拆解与多技术栈整合。在包含前后端联动、实时交互与外设调用的复杂场景中，可直接生成结构完整、可运行的代码框架，显著减少人工拼装与反复调试成本，适合复杂 Demo、原型验证与自动化开发流程。
在需要摄像头、实时输入与交互控制的场景中，GLM-4.7 展现出更强的系统级理解能力。能够将视觉识别、逻辑控制与应用代码整合为统一方案，支持如手势控制、实时反馈等交互式应用的快速构建，加速从想法到可运行应用的落地过程。
对视觉代码与 UI 规范的理解显著增强。GLM-4.7 能在布局结构、配色和谐度与组件样式上给出更具美感且一致的默认方案，减少样式反复“微调”的时间成本，适合低代码平台、AI 前端生成工具及快速原型设计场景。
在多轮对话中更稳定地保持上下文与约束条件，对简单问题回应更直接，对复杂问题能够持续澄清目标并推进解决路径。GLM-4.7 更像一名可协作的“问题解决型伙伴”，适用于开发支持、方案讨论与决策辅助等高频协作场景。
文字表达更细腻、更具画面感，能够通过气味、声音、光影等感官细节构建氛围。在角色扮演与叙事创作中，对世界观与人设的遵循更加稳定，剧情推进自然有张力，适合互动叙事、IP 内容创作与角色型应用。
在办公创作中，GLM-4.7 的版式遵循与审美稳定性明显提升。能够稳定适配 16:9 等主流比例，在字体层级、留白与配色上减少模板感，生成结果更接近“即用级”，适合 AI 演示工具、企业办公系统与自动化内容生成场景。
强化用户意图理解、信息检索与结果融合能力。在复杂问题与研究型任务中，GLM-4.7 不仅返回信息，还能进行结构化整理与跨来源整合，通过多轮交互持续逼近核心结论，适合深度研究与决策支持场景。
##
GLM-4.7 在编程、推理与智能体三个维度实现了显著突破：
* **更强的编程能力**：显著提升了模型在多语言编码和在终端智能体中的效果；GLM-4.7 现在可以在 Claude Code、Kilo Code、TRAE、Cline 和 Roo Code 等编程框架中实现“先思考、再行动”的机制，在复杂任务上有更稳定的表现
* **前端审美提升**：GLM-4.7 在前端生成质量方面明显进步，能够生成观感更佳的网页、PPT 、海报
* **更强的工具调用能力**：GLM-4.7 提升了工具调用能力，在 BrowseComp 网页任务评测中获得 67 分；在 τ²-Bench 交互式工具调用评测中实现 84.7 分的开源 SOTA，超过 Claude Sonnet 4.5
* **推理能力提升**：显著提升了数学和推理能力，在 HLE（"人类最后的考试"）基准测试中获得 42.8% 的成绩，较 GLM-4.6 提升 41%，超过 GPT-5.1
* **通用能力增强**：GLM-4.7 对话更简洁智能且富有人情味，写作与角色扮演更具文采与沉浸感
*`Code Arena`：全球百万用户参与盲测的专业编码评估系统，GLM-4.7 位列开源第一、国产第一，超过 GPT-5.2*
在主流基准测试表现中，GLM-4.7 的代码能力对齐 Claude Sonnet 4.5：在 SWE-bench-Verified 获得开源第一；在 LiveCodeBench V6 达到 84.9 的开源 SOTA 分数，超过 Claude Sonnet 4.5；在 SWE-bench Verified达到 73.8%（相较 GLM-4.6 提升 5.8%），SWE-bench Multilingual 达到 66.7%（提升 12.9%），Terminal Bench 2.0 达到 41%（提升 16.5%）。
在 Claude Code 环境中，我们对 100 个真实编程任务进行了测试，覆盖前端、后端与指令遵循等核心能力。结果显示，GLM-4.7 相较 GLM-4.6 在稳定性与可交付性上均有明显提升。
随着编程能力的增强，开发者可以更自然地以“任务交付”为核心组织开发流程，形成从需求理解到落地实现的端到端闭环。
GLM-4.7 进一步强化了 GLM-4.5 以来就支持的交错式思考能力，引入保留式思考与轮级思考，使复杂任务执行更稳、更可控。
* 交错式思考：每次回答/工具调用前都会思考，提升复杂指令的遵循能力和代码生成质量。
* 保留式思考：多轮对话中自动保留思考块，提升缓存命中率，降低成本，适合长程复杂任务。
* 轮级思考：支持在同一会话内按“轮”控制推理开销——简单任务可关闭思考以降低时延，复杂任务可开启思考以提升准确性与稳定性。
*相关参考文档：[https://docs.bigmodel.cn/cn/guide/capabilities/thinking-mode](https://docs.bigmodel.cn/cn/guide/capabilities/thinking-mode)*
GLM-4.7 在复杂任务中展现出更强的任务拆解与技术栈整合能力，能够一次性给出**完整、可运行的代码**，并明确关键依赖与运行步骤，显著减少人工调试成本。
GLM-4.7 增强了对视觉代码的理解。在前端设计中，它能更好地理解 UI 设计规范，在布局结构、配色和谐度及组件样式上提供更具美感的默认方案，从而减少开发者在样式“微调”上花费的时间。
##
[体验中心](https://bigmodel.cn/trialcenter/modeltrial/text?modelCode=glm-4.7)：快速测试模型在业务场景上的效果\
[接口文档](/api-reference/%E6%A8%A1%E5%9E%8B-api/%E5%AF%B9%E8%AF%9D%E8%A1%A5%E5%85%A8)：API 调用方式
##
以下是完整的调用示例，帮助您快速上手 GLM-4.7 模型。
**基础调用**
```bash theme={null}
curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "glm-4.7",
"messages": [
{
"role": "user",
"content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"
},
{
"role": "assistant",
"content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"
},
{
"role": "user",
"content": "智谱开放平台"
}
],
"thinking": {
"type": "enabled"
},
"max_tokens": 65536,
"temperature": 1.0
}'
```
**流式调用**
```bash theme={null}
curl -X POST "https://open.bigmodel.cn/api/paas/v4/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer YOUR_API_KEY" \
-d '{
"model": "glm-4.7",
"messages": [
{
"role": "user",
"content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"
},
{
"role": "assistant",
"content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"
},
{
"role": "user",
"content": "智谱开放平台"
}
],
"thinking": {
"type": "enabled"
},
"stream": true,
"max_tokens": 65536,
"temperature": 1.0
}'
```
**安装 SDK**
```bash theme={null}
# 安装最新版本
pip install zai-sdk
# 或指定版本
pip install zai-sdk==0.2.3
```
**验证安装**
```python theme={null}
import zai
print(zai.__version__)
```
**基础调用**
```python theme={null}
from zai import ZhipuAiClient
client = ZhipuAiClient(api_key="YOUR_API_KEY") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-4.7",
messages=[
{"role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"},
{"role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"},
{"role": "user", "content": "智谱开放平台"}
],
thinking={
"type": "enabled", # 启用深度思考模式
},
max_tokens=65536, # 最大输出 tokens
temperature=1.0 # 控制输出的随机性
)
# 获取完整回复
print(response.choices[0].message)
```
**流式调用**
```python theme={null}
from zai import ZhipuAiClient
client = ZhipuAiClient(api_key="YOUR_API_KEY") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-4.7",
messages=[
{"role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"},
{"role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"},
{"role": "user", "content": "智谱开放平台"}
],
thinking={
"type": "enabled", # 启用深度思考模式
},
stream=True, # 启用流式输出
max_tokens=65536, # 最大输出tokens
temperature=1.0 # 控制输出的随机性
)
# 流式获取回复
for chunk in response:
if chunk.choices[0].delta.reasoning_content:
print(chunk.choices[0].delta.reasoning_content, end='', flush=True)
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end='', flush=True)
```
**安装 SDK**
**Maven**
```xml theme={null}
ai.z.openapi
zai-sdk
0.3.5
```
**Gradle (Groovy)**
```groovy theme={null}
implementation 'ai.z.openapi:zai-sdk:0.3.5'
```
**基础调用**
```java theme={null}
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.model.ChatCompletionCreateParams;
import ai.z.openapi.service.model.ChatCompletionResponse;
import ai.z.openapi.service.model.ChatMessage;
import ai.z.openapi.service.model.ChatMessageRole;
import ai.z.openapi.service.model.ChatThinking;
import java.util.Arrays;
public class BasicChat {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("YOUR_API_KEY")
.build();
// 创建聊天完成请求
ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
.model("glm-4.7")
.messages(Arrays.asList(
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("作为一名营销专家，请为我的产品创作一个吸引人的口号")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.ASSISTANT.value())
.content("当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("智谱开放平台")
.build()
))
.thinking(ChatThinking.builder().type("enabled").build())
.maxTokens(65536)
.temperature(1.0f)
.build();
// 发送请求
ChatCompletionResponse response = client.chat().createChatCompletion(request);
// 获取回复
if (response.isSuccess()) {
Object reply = response.getData().getChoices().get(0).getMessage();
System.out.println("AI 回复: " + reply);
} else {
System.err.println("错误: " + response.getMsg());
}
}
}
```
**流式调用**
```java theme={null}
import ai.z.openapi.ZhipuAiClient;
import ai.z.openapi.service.model.ChatCompletionCreateParams;
import ai.z.openapi.service.model.ChatCompletionResponse;
import ai.z.openapi.service.model.ChatMessage;
import ai.z.openapi.service.model.ChatMessageRole;
import ai.z.openapi.service.model.ChatThinking;
import ai.z.openapi.service.model.Delta;
import java.util.Arrays;
public class StreamingChat {
public static void main(String[] args) {
// 初始化客户端
ZhipuAiClient client = ZhipuAiClient.builder().ofZHIPU()
.apiKey("YOUR_API_KEY")
.build();
// 创建流式聊天完成请求
ChatCompletionCreateParams request = ChatCompletionCreateParams.builder()
.model("glm-4.7")
.messages(Arrays.asList(
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("作为一名营销专家，请为我的产品创作一个吸引人的口号")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.ASSISTANT.value())
.content("当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息")
.build(),
ChatMessage.builder()
.role(ChatMessageRole.USER.value())
.content("智谱开放平台")
.build()
))
.thinking(ChatThinking.builder().type("enabled").build())
.stream(true) // 启用流式输出
.maxTokens(65536)
.temperature(1.0f)
.build();
ChatCompletionResponse response = client.chat().createChatCompletion(request);
if (response.isSuccess()) {
response.getFlowable().subscribe(
// Process streaming message data
data -> {
if (data.getChoices() != null && !data.getChoices().isEmpty()) {
Delta delta = data.getChoices().get(0).getDelta();
System.out.print(delta + "\n");
}
},
// Process streaming response error
error -> System.err.println("\nStream error: " + error.getMessage()),
// Process streaming response completion event
() -> System.out.println("\nStreaming response completed")
);
} else {
System.err.println("Error: " + response.getMsg());
}
}
}
```
**更新 SDK 至 2.1.5.20250726**
```bash theme={null}
# 安装最新版本
pip install zhipuai
# 或指定版本
pip install zhipuai==2.1.5.20250726
```
**基础调用**
```python theme={null}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="YOUR_API_KEY") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-4.7",
messages=[
{"role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"},
{"role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"},
{"role": "user", "content": "智谱开放平台"}
],
thinking={
"type": "enabled",
},
max_tokens=65536,
temperature=1.0
)
# 获取完整回复
print(response.choices[0].message)
```
**流式调用**
```python theme={null}
from zhipuai import ZhipuAI
client = ZhipuAI(api_key="YOUR_API_KEY") # 请填写您自己的 API Key
response = client.chat.completions.create(
model="glm-4.7",
messages=[
{"role": "user", "content": "作为一名营销专家，请为我的产品创作一个吸引人的口号"},
{"role": "assistant", "content": "当然，要创作一个吸引人的口号，请告诉我一些关于您产品的信息"},
{"role": "user", "content": "智谱开放平台"}
],
thinking={
"type": "enabled",
},
stream=True, # 启用流式输出
max_tokens=65536,
temperature=1.0
)
# 流式获取回复
for chunk in response:
if chunk.choices[0].delta.reasoning_content:
print(chunk.choices[0].delta.reasoning_content, end='', flush=True)
if chunk.choices[0].delta.content:
print(chunk.choices[0].delta.content, end='', flush=True)
```