GLM-4.7 vs GLM-4.6V
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
GLM-4.7 de Zhipu AI y GLM-4.6V de Zhipu AI compiten directamente en el ecosistema actual de IA. GLM-4.7 ofrece una ventana de contexto de 204.8K tokens a $0.00/$0.00 por millón de tokens (entrada/salida), mientras que GLM-4.6V ofrece 131.1K tokens de contexto a $0.00/$0.00 por millón de tokens. Analizamos sus benchmarks, latencia y costos reales.
Cambia y Compara Cualquier Modelo
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
GLM-4.7
Modelo Base de Pesos AbiertosGLM-4.7 de Zhipu AI es un modelo de IA diseñado para autoalojamiento en servidores propios, ajuste fino (fine-tuning) y soberanía de datos, con ventana de contexto de 205K, velocidad de 72 tokens/s, índice de inteligencia de 84/100 y tarifa
$0.00 / 1M
$0.00 / 1M
204.8K tokens
52%
GLM-4.6V
IA Multimodal NativaGLM-4.6V de Zhipu AI es un modelo de IA diseñado para comprensión multimodal nativa de texto e imagen y análisis visual de documentos, con ventana de contexto de 131K, velocidad de 80 tokens/s, índice de inteligencia de 77/100 y tarifa de a
$0.00 / 1M
$0.00 / 1M
131.1K tokens
N/A
Diferencias Clave de un Vistazo
- Both models cost the same under this workload — choose on capability, not price.
- GLM-4.7 has a larger context window (205K vs 131K tokens).
- GLM-4.6V is faster at 80 tok/s vs 72 tok/s.
| Característica | GLM-4.7 | GLM-4.6V |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 84 | 77 |
Provider | Zhipu AI | Zhipu AI |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 204.8K tokens~307 A4 pages of text | 131.1K tokens~197 A4 pages of text |
Max Output Tokens Per single request | 16K | 8K |
Throughput Speed Tokens generated per second | 72 tok/s | 80 tok/s |
SWE-bench Verified Real-world software engineering | 52% | N/A |
GPQA Diamond Graduate-level reasoning | 66% | N/A |
¿Quién gana en cada área?
At-a-glance decision frameworkEvaluations ongoing
Puntuaciones de Benchmarks Verificadas
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latencia y Tiempo de Respuesta
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulador Interactivo de Costos de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
GLM-4.7 · Strengths & Key Advantages
- Ventana de contexto de 205K con hasta 16K tokens de salida máxima (SWE-bench Verified 52% · GPQA Diamond 66%)
- Rendimiento ágil de 72 tokens/segundo con latencia inicial (TTFT) de solo 540 ms
- Pesos abiertos (180B MoE) listos para autoalojamiento local o en nube privada mediante vLLM y Ollama
Considerations & Trade-offs
- Requiere infraestructura GPU dedicada con suficiente memoria VRAM para inferencia local sin cuantización
- En demostraciones científicas extremas, los modelos de razonamiento pesado de gama alta ofrecen mayor profundidad
GLM-4.6V · Strengths & Key Advantages
- Ventana de contexto de 131K con hasta 8K tokens de salida máxima (MMLU-Pro 74% · Arena Elo 1280)
- Rendimiento ágil de 80 tokens/segundo con latencia inicial (TTFT) de solo 510 ms
- Pesos abiertos (24B VLM) listos para autoalojamiento local o en nube privada mediante vLLM y Ollama
Considerations & Trade-offs
- Requiere infraestructura GPU dedicada con suficiente memoria VRAM para inferencia local sin cuantización
- En demostraciones científicas extremas, los modelos de razonamiento pesado de gama alta ofrecen mayor profundidad
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | GLM-4.7 | GLM-4.6V |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 20K | 14K |
Reasoning Tokens / Task Thinking tokens burned per task | 7K | 3K |
Especificaciones Técnicas
Architecture, release timeline, capabilities, and modalities.
| Característica | GLM-4.7 | GLM-4.6V |
|---|---|---|
| Official API Model ID (SDK) | glm-4-7 | glm-4-6v |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2025-12 | 2025-12 |
| Knowledge Cutoff | October 2025 | October 2025 |
| Architecture | Mature Dense/MoE Hybrid Autoregressive Transformer | High-Resolution Open Vision-Language Transformer |
| Parameters | 180B MoE | 24B VLM |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 112 GB VRAM (4-bit Quantized) · 387 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 15 GB VRAM (4-bit Quantized) · 52 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text, vision |
| Output Modalities | text | text |
GLM-4.7 vs GLM-4.6V: Respuestas Rápidas (FAQ)
Which is more intelligent, GLM-4.7 or GLM-4.6V?
GLM-4.7 is more intelligent. It scores 84 compared with 77 on the composite Intelligence Index.
Which model is faster?
GLM-4.6V is faster, generating 80 tokens per second compared with 72 tokens per second.
Which model has lower latency?
GLM-4.6V has lower latency, with a time to first token of 0.51s compared with 0.54s.
Which model has a larger context window?
GLM-4.7 has a larger context window, supporting 204.8K tokens compared with 131.1K tokens.
Veredicto
Tanto GLM-4.7 (Ideal para autoalojamiento en servidores propios, ajuste fino (fine-tuning) y soberanía de datos, sistemas RAG empresariales y automatización mediante API.) como GLM-4.6V (Ideal para comprensión multimodal nativa de texto e imagen y análisis visual de documentos, sistemas RAG empresariales y automatización mediante API.) destacan en producción: GLM-4.7 lidera en inteligencia general y programación, GLM-4.6V ofrece mayor velocidad de generación de tokens y GLM-4.7 resulta más rentable para cargas de trabajo API de alto volumen.
Preguntas frecuentes
¿Cuál es mejor para programación y razonamiento, GLM-4.7 o GLM-4.6V?+
En las pruebas de inteligencia compuesta y resolución de código, GLM-4.7 obtiene la ventaja. Puedes revisar la tabla SWE-bench y GPQA arriba para comparar cada métrica.
¿Cuánto cuesta la API de GLM-4.7 frente a GLM-4.6V?+
GLM-4.7 cuesta $0.00 / $0.00 por millón de tokens de entrada/salida, mientras que GLM-4.6V cuesta $0.00 / $0.00. En costo combinado, GLM-4.7 es la opción más económica.
¿Qué modelo tiene mayor ventana de contexto y menor latencia?+
GLM-4.7 cuenta con 204.8K tokens de contexto frente a 131.1K tokens de GLM-4.6V. En velocidad de inferencia, GLM-4.6V ofrece un rendimiento superior.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- GLM-4.6V vs. GLM-4.6: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
- GLM-4.6V vs. MiniMax-M2.1: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
- GLM-4.7-Flash vs. GLM-4.7: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
- GLM-4.7 vs. Kimi K2 Thinking: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
- Aion-3.0 vs. Aion-Mini: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
- Aion-3.0 vs. Gemini 3.6 Flash: Comparativa de Benchmarks, Precios API y Velocidad (2026)Comparar
Las puntuaciones de benchmarks, precios por token y límites de tasa evolucionan rápidamente. Verifique siempre las especificaciones actuales en la documentación oficial del proveedor.
Fuentes: Documentación oficial de API de Zhipu AI y Zhipu AI, tarjetas de sistema y benchmarks independientes (2026).