GLM-5 vs GLM-4.7-FlashX
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
GLM-5 de Zhipu AI et GLM-4.7-FlashX de Zhipu AI sont deux modèles d’IA de premier plan. GLM-5 propose une fenêtre de contexte de 204.8K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que GLM-4.7-FlashX offre 200K tokens de contexte à $0.02/$0.04 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-5
Modèle de Base à Poids OuvertsGLM-5 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 68 tokens/s, un indice d’intelligence de 87
$0.00 / 1M
$0.00 / 1M
204.8K tokens
58%
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
Différences Clés en un Coup d’Œil
- GLM-5 is 1.0x cheaper for API usage (input + output tokens combined).
- GLM-5 has a larger context window (205K vs 200K tokens).
- GLM-4.7-FlashX is faster at 150 tok/s vs 68 tok/s.
| Caractéristique | GLM-5 | GLM-4.7-FlashX |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 87 | 76 |
Provider | Zhipu AI | Zhipu AI |
Input Price Cost per million input tokens | $0.00 / 1M | $0.02 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.04 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.01 / 1M |
Context Window Maximum input + output tokens | 204.8K tokens~307 A4 pages of text | 200K tokens~300 A4 pages of text |
Max Output Tokens Per single request | 16K | 8K |
Throughput Speed Tokens generated per second | 68 tok/s | 150 tok/s |
SWE-bench Verified Real-world software engineering | 58% | N/A |
GPQA Diamond Graduate-level reasoning | 68% | 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.
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.
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-5 · Strengths & Key Advantages
- Fenêtre de contexte de 205K et capacité de sortie maximale de 16K tokens (SWE-bench Verified 58% · GPQA Diamond 68%)
- Débit rapide de 68 tokens/seconde avec une latence au premier token (TTFT) de 580 ms
- Poids ouverts (240B 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
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
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | GLM-5 | GLM-4.7-FlashX |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.01 |
Output Tokens / Task Tokens generated per task | 24K | 13K |
Reasoning Tokens / Task Thinking tokens burned per task | 8K | 1K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | GLM-5 | GLM-4.7-FlashX |
|---|---|---|
| Official API Model ID (SDK) | glm-5 | glm-4-7-flashx |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-02 | 2026-01 |
| Knowledge Cutoff | December 2025 | November 2025 |
| Architecture | Frontier Sparse Mixture-of-Experts Autoregressive Transformer | Enhanced Latency-Optimized Transformer |
| Parameters | 240B MoE | 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) | Free across full context window (only KV-cache VRAM scales) | Flat rate ($0.02/1M in) across full 200K window |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Cached input at $0.003/1M 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) · 149 GB VRAM (4-bit Quantized) · 516 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-5 vs GLM-4.7-FlashX: Réponses Rapides (FAQ)
Which is more intelligent, GLM-5 or GLM-4.7-FlashX?
GLM-5 is more intelligent. It scores 87 compared with 76 on the composite Intelligence Index.
Which model is faster?
GLM-4.7-FlashX is faster, generating 150 tokens per second compared with 68 tokens per second.
Which model is cheaper to run?
GLM-5 is cheaper at $0.00 per 1M tokens blended, compared with $0.01 (7:2:1 cache:input:output ratio).
Which model has lower latency?
GLM-4.7-FlashX has lower latency, with a time to first token of 0.26s compared with 0.58s.
Which model has a larger context window?
GLM-5 has a larger context window, supporting 204.8K tokens compared with 200K tokens.
Verdict
GLM-5 (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 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.) répondent à des besoins complémentaires : GLM-5 domine sur les benchmarks de raisonnement et de programmation, GLM-4.7-FlashX assure un débit supérieur et GLM-5 offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, GLM-5 ou GLM-4.7-FlashX ?+
Sur l’indice d’intelligence composite et les tests de code, GLM-5 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-5 et GLM-4.7-FlashX ?+
GLM-5 est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.02 / $0.04 pour GLM-4.7-FlashX. En coût pondéré, GLM-5 est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
GLM-5 prend en charge 204.8K tokens contre 200K tokens pour GLM-4.7-FlashX. Côté vitesse de génération, GLM-4.7-FlashX 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-FlashX vs GLM-4.7-Flash : 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-5.1 vs GLM-5 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3 Max vs GLM-5 : 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).