GLM-4.7-FlashX vs GLM-4.7-Flash
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
GLM-4.7-FlashX de Zhipu AI et GLM-4.7-Flash de Zhipu AI sont deux modèles d’IA de premier plan. GLM-4.7-FlashX propose une fenêtre de contexte de 200K tokens au tarif de $0.02/$0.04 par million de tokens, tandis que GLM-4.7-Flash offre 200K tokens de contexte à $0.01/$0.03 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
GLM-4.7-FlashX
Modèle Léger et ÉconomiqueGLM-4.7-FlashX de Zhipu AI est un modèle d’IA conçu pour une efficacité économique maximale par token et une exécution légère à grande échelle, offrant une fenêtre de contexte de 200K, une vitesse de 150 tokens/s, un indice d’intelligence d
$0.02 / 1M
$0.04 / 1M
200K tokens
N/A
GLM-4.7-Flash
Modèle Léger et ÉconomiqueGLM-4.7-Flash de Zhipu AI est un modèle d’IA conçu pour une efficacité économique maximale par token et une exécution légère à grande échelle, offrant une fenêtre de contexte de 200K, une vitesse de 160 tokens/s, un indice d’intelligence de
$0.01 / 1M
$0.03 / 1M
200K tokens
N/A
Différences Clés en un Coup d’Œil
- GLM-4.7-Flash is 1.3x cheaper for API usage (input + output tokens combined).
- GLM-4.7-Flash is faster at 160 tok/s vs 150 tok/s.
| Caractéristique | GLM-4.7-FlashX | GLM-4.7-Flash |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 76 | 74 |
Provider | Zhipu AI | Zhipu AI |
Input Price Cost per million input tokens | $0.02 / 1M | $0.01 / 1M |
Output Price Cost per million output tokens | $0.04 / 1M | $0.03 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.01 / 1M | $0.01 / 1M |
Context Window Maximum input + output tokens | 200K tokens~300 A4 pages of text | 200K tokens~300 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 150 tok/s | 160 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
Cached Input Price Prompt caching discount per 1M tokens | $0.00 / 1M | $0.00 / 1M |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
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.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
GLM-4.7-FlashX · Strengths & Key Advantages
- Fenêtre de contexte de 200K et capacité de sortie maximale de 8K tokens (MMLU-Pro 74.5% · Arena Elo 1290)
- Débit rapide de 150 tokens/seconde avec une latence au premier token (TTFT) de 260 ms
- Poids ouverts permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
GLM-4.7-Flash · Strengths & Key Advantages
- Fenêtre de contexte de 200K et capacité de sortie maximale de 8K tokens (MMLU-Pro 72% · Arena Elo 1270)
- Débit rapide de 160 tokens/seconde avec une latence au premier token (TTFT) de 240 ms
- Poids ouverts permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | GLM-4.7-FlashX | GLM-4.7-Flash |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.01 | $0.01 |
Output Tokens / Task Tokens generated per task | 13K | 12K |
Reasoning Tokens / Task Thinking tokens burned per task | 1K | 0K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | GLM-4.7-FlashX | GLM-4.7-Flash |
|---|---|---|
| Official API Model ID (SDK) | glm-4-7-flashx | glm-4-7-flash |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-01 | 2026-01 |
| Knowledge Cutoff | November 2025 | November 2025 |
| Architecture | Enhanced Latency-Optimized Transformer | Optimized High-Speed Lightweight Transformer |
| Parameters | Confidential | Confidential |
| 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) | Flat rate ($0.02/1M in) across full 200K window | Flat rate ($0.015/1M in) across full 200K window |
| Prompt Cache Policy & TTL | Cached input at $0.003/1M tokens | Cached input at $0.002/1M tokens |
| 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) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 43 GB VRAM (4-bit Quantized) · 151 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 43 GB VRAM (4-bit Quantized) · 151 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 |
| Output Modalities | text | text |
GLM-4.7-FlashX vs GLM-4.7-Flash: Réponses Rapides (FAQ)
Which is more intelligent, GLM-4.7-FlashX or GLM-4.7-Flash?
GLM-4.7-FlashX is more intelligent. It scores 76 compared with 74 on the composite Intelligence Index.
Which model is faster?
GLM-4.7-Flash is faster, generating 160 tokens per second compared with 150 tokens per second.
Which model has lower latency?
GLM-4.7-Flash has lower latency, with a time to first token of 0.24s compared with 0.26s.
Verdict
GLM-4.7-FlashX (Conçu pour une efficacité économique maximale par token et une exécution légère à grande échelle, l’intégration RAG et les pipelines de production évolutifs.) et GLM-4.7-Flash (Conçu pour une efficacité économique maximale par token et une exécution légère à grande échelle, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : GLM-4.7-FlashX domine sur les benchmarks de raisonnement et de programmation, GLM-4.7-Flash assure un débit supérieur et GLM-4.7-Flash offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, GLM-4.7-FlashX ou GLM-4.7-Flash ?+
Sur l’indice d’intelligence composite et les tests de code, GLM-4.7-FlashX prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.
Quelle est la différence de prix API entre GLM-4.7-FlashX et GLM-4.7-Flash ?+
GLM-4.7-FlashX est facturé $0.02 / $0.04 par million de tokens (entrée/sortie) contre $0.01 / $0.03 pour GLM-4.7-Flash. En coût pondéré, GLM-4.7-Flash est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
GLM-4.7-FlashX prend en charge 200K tokens contre 200K tokens pour GLM-4.7-Flash. Côté vitesse de génération, GLM-4.7-Flash est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- GLM-4.7-Flash vs GLM-4.7 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- GLM-4.7-Flash vs MiniMax-M2.5 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- GLM-4.7-FlashX vs Qwen3.5 122B-A10B : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- GLM-5 vs GLM-4.7-FlashX : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Zhipu AI et Zhipu AI, fiches système et benchmarks indépendants (2026).