GLM-4.7 vs Kimi K2 Thinking
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
GLM-4.7 de Zhipu AI et Kimi K2 Thinking de Moonshot AI sont deux modèles d’IA de premier plan. GLM-4.7 propose une fenêtre de contexte de 204.8K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Kimi K2 Thinking offre 262.1K tokens de contexte à $0.00/$0.00 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
Modèle de Base à Poids OuvertsGLM-4.7 de Zhipu AI est un modèle d’IA conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, offrant une fenêtre de contexte de 205K, une vitesse de 72 tokens/s, un indice d’intelligence de
$0.00 / 1M
$0.00 / 1M
204.8K tokens
52%
Kimi K2 Thinking
Raisonnement à Poids OuvertsKimi K2 Thinking de Moonshot AI est un modèle d’IA conçu pour le raisonnement par chaîne de pensée à poids ouverts et haute efficacité, offrant une fenêtre de contexte de 262K, une vitesse de 55 tokens/s, un indice d’intelligence de 85/100
$0.00 / 1M
$0.00 / 1M
262.1K tokens
50%
Différences Clés en un Coup d’Œil
- Both models cost the same under this workload — choose on capability, not price.
- Kimi K2 Thinking has a larger context window (262K vs 205K tokens).
- GLM-4.7 is faster at 72 tok/s vs 55 tok/s.
- GLM-4.7 leads on SWE-bench coding (52.0% vs 50.0%).
| Caractéristique | GLM-4.7 | Kimi K2 Thinking |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 84 | 85 |
Provider | Zhipu AI | Moonshot 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 | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 16K | 32K |
Throughput Speed Tokens generated per second | 72 tok/s | 55 tok/s |
SWE-bench Verified Real-world software engineering | 52% | 50% |
GPQA Diamond Graduate-level reasoning | 66% | 70% |
Qui gagne où ?
At-a-glance decision frameworkScores de Benchmarks Vérifiés
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.
American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.
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 · Strengths & Key Advantages
- Fenêtre de contexte de 205K et capacité de sortie maximale de 16K tokens (SWE-bench Verified 52% · GPQA Diamond 66%)
- Débit rapide de 72 tokens/seconde avec une latence au premier token (TTFT) de 540 ms
- Poids ouverts (180B MoE) 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
Kimi K2 Thinking · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 32K tokens (SWE-bench Verified 50% · GPQA Diamond 70%)
- Débit rapide de 55 tokens/seconde avec une latence au premier token (TTFT) de 950 ms
- Poids ouverts (1T total (32B MoE)) 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 | Kimi K2 Thinking |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 20K | 28K |
Reasoning Tokens / Task Thinking tokens burned per task | 7K | 16K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | GLM-4.7 | Kimi K2 Thinking |
|---|---|---|
| Official API Model ID (SDK) | glm-4-7 | kimi-k2-thinking |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2025-12 | 2025-11 |
| Knowledge Cutoff | October 2025 | September 2025 |
| Architecture | Mature Dense/MoE Hybrid Autoregressive Transformer | Deliberate Reasoning Open Sparse Mixture-of-Experts |
| Parameters | 180B MoE | 1T total (32B active MoE) |
| 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) |
| 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) · 620 GB VRAM (4-bit Quantized) · 2150 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 vs Kimi K2 Thinking: Réponses Rapides (FAQ)
Which is more intelligent, GLM-4.7 or Kimi K2 Thinking?
Kimi K2 Thinking is more intelligent. It scores 85 compared with 84 on the composite Intelligence Index.
Which model is faster?
GLM-4.7 is faster, generating 72 tokens per second compared with 55 tokens per second.
Which model has lower latency?
GLM-4.7 has lower latency, with a time to first token of 0.54s compared with 0.95s.
Which model has a larger context window?
Kimi K2 Thinking has a larger context window, supporting 262.1K tokens compared with 204.8K tokens.
Verdict
GLM-4.7 (Conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, l’intégration RAG et les pipelines de production évolutifs.) et Kimi K2 Thinking (Conçu pour le raisonnement par chaîne de pensée à poids ouverts et haute efficacité, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Kimi K2 Thinking domine sur les benchmarks de raisonnement et de programmation, GLM-4.7 assure un débit supérieur et GLM-4.7 offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, GLM-4.7 ou Kimi K2 Thinking ?+
Sur l’indice d’intelligence composite et les tests de code, Kimi K2 Thinking 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 et Kimi K2 Thinking ?+
GLM-4.7 est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Kimi K2 Thinking. En coût pondéré, GLM-4.7 est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
GLM-4.7 prend en charge 204.8K tokens contre 262.1K tokens pour Kimi K2 Thinking. Côté vitesse de génération, GLM-4.7 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 vs GLM-4.6V : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Kimi K2.5 vs Kimi K2 Thinking : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Kimi K2 Thinking vs Kimi K2 : 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 Moonshot AI, fiches système et benchmarks indépendants (2026).