GLM-4.7-FlashX vs Qwen3.5 122B-A10B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Zhipu AIのGLM-4.7-FlashXとAlibabaのQwen3.5 122B-A10Bは、注目度の高い主要AIモデルです。GLM-4.7-FlashXは200K トークンのコンテキストウィンドウを備え、API料金は100万トークンあたり入力$0.02/出力$0.04、一方のQwen3.5 122B-A10Bは262.1K トークンのコンテキストで入力$0.00/出力$0.00です。以下でベンチマーク、速度、コストを詳しく比較します。
任意のAIモデルを切り替えて比較
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
GLM-4.7-FlashX
軽量・高コスト効率モデルZhipu AI の GLM-4.7-FlashX は、優れたトークン単価効率と高速スループットを両立する高コスパ運用向けに設計されたAIモデルです。200K のコンテキストウィンドウ、毎秒 150 トークンの生成速度、知能指数 76/100（1Mトークンあたり入力$0.02・出力$0.04）を実現しています。
$0.02 / 1M
$0.04 / 1M
200K tokens
N/A
Qwen3.5 122B-A10B
ネイティブ・マルチモーダルAIAlibaba の Qwen3.5 122B-A10B は、テキストと画像のネイティブ・マルチモーダル理解および図表・ドキュメント解析向けに設計されたAIモデルです。262K のコンテキストウィンドウ、毎秒 78 トークンの生成速度、知能指数 82/100（無料のオープンウェイト提供）を実現しています。
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
ひと目でわかる主な違い
- Qwen3.5 122B-A10B is 1.0x cheaper for API usage (input + output tokens combined).
- Qwen3.5 122B-A10B has a larger context window (262K vs 200K tokens).
- GLM-4.7-FlashX is faster at 150 tok/s vs 78 tok/s.
| Feature | GLM-4.7-FlashX | Qwen3.5 122B-A10B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 76 | 82 |
Provider | Zhipu AI | Alibaba |
Input Price Cost per million input tokens | $0.02 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.04 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.01 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 200K tokens~300 A4 pages of text | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 8K | 16K |
Throughput Speed Tokens generated per second | 150 tok/s | 78 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | N/A | 65.5% |
Cached Input Price Prompt caching discount per 1M tokens | $0.00 / 1M | $0.00 / 1M |
分野別勝者スコアカード
At-a-glance decision frameworkEvaluations ongoing
検証済みベンチマークスコア比較
Official evaluation metrics verified by independent third-party research labs.
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.
レイテンシ＆応答時間
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
リアルタイムAPIトークン料金シミュレーター
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
GLM-4.7-FlashX · Strengths & Key Advantages
- 200K のコンテキストウィンドウと最大 8K トークンの出力容量（MMLU-Pro 74.5% · Arena Elo 1290）
- 毎秒 150 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 260ms の低遅延
- オープンウェイトモデルとして vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Qwen3.5 122B-A10B · Strengths & Key Advantages
- 262K のコンテキストウィンドウと最大 16K トークンの出力容量（GPQA Diamond 65.5% · MMLU-Pro 80.5%）
- 毎秒 78 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 510ms の低遅延
- オープンウェイトモデル (122B total (10B MoE))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | GLM-4.7-FlashX | Qwen3.5 122B-A10B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.01 | $0.00 |
Output Tokens / Task Tokens generated per task | 13K | 18K |
Reasoning Tokens / Task Thinking tokens burned per task | 1K | 5K |
技術仕様・スペック
Architecture, release timeline, capabilities, and modalities.
| Feature | GLM-4.7-FlashX | Qwen3.5 122B-A10B |
|---|---|---|
| Official API Model ID (SDK) | glm-4-7-flashx | qwen3-5-122b-a10b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-01 | 2026-02 |
| Knowledge Cutoff | November 2025 | December 2025 |
| Architecture | Enhanced Latency-Optimized Transformer | Efficient Open Multimodal MoE Transformer |
| Parameters | Confidential | 122B total (10B 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) | Flat rate ($0.02/1M in) across full 200K window | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Cached input at $0.003/1M tokens | 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) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| 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) · 43 GB VRAM (4-bit Quantized) · 151 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 76 GB VRAM (4-bit Quantized) · 262 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-FlashX vs Qwen3.5 122B-A10B: よくある質問 (FAQ)
Which is more intelligent, GLM-4.7-FlashX or Qwen3.5 122B-A10B?
Qwen3.5 122B-A10B is more intelligent. It scores 82 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 78 tokens per second.
Which model is cheaper to run?
Qwen3.5 122B-A10B 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 0.51s.
Which model has a larger context window?
Qwen3.5 122B-A10B has a larger context window, supporting 262.1K tokens compared with 200K tokens.
総合評価
GLM-4.7-FlashX（優れたトークン単価効率と高速スループットを両立する高コスパ運用、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）とQwen3.5 122B-A10B（テキストと画像のネイティブ・マルチモーダル理解および図表・ドキュメント解析、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）はいずれも優れた選択肢です。高度な推論・コーディング精度ではQwen3.5 122B-A10Bがリードし、応答速度とスループットではGLM-4.7-FlashXが優れ、APIコスト効率ではQwen3.5 122B-A10Bが有利です。
よくある質問 (FAQ)
コーディングや複雑な推論には GLM-4.7-FlashX と Qwen3.5 122B-A10B のどちらが適していますか？+
総合知能指数およびコーディング評価では Qwen3.5 122B-A10B が優位です。上部の SWE-bench や GPQA スコアもあわせてご確認ください。
GLM-4.7-FlashX と Qwen3.5 122B-A10B ではどちらのAPI料金が安いですか？+
GLM-4.7-FlashX は100万トークンあたり入力$0.02 / 出力$0.04、Qwen3.5 122B-A10B は入力$0.00 / 出力$0.00です。総合的なコスト効率では Qwen3.5 122B-A10B がより経済的です。
コンテキスト長と生成速度はどちらが優れていますか？+
コンテキストウィンドウは GLM-4.7-FlashX が 200K トークン、Qwen3.5 122B-A10B が 262.1K トークン です。出力スピード（トークン/秒）では GLM-4.7-FlashX がリードしています。
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：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- GLM-5 vs GLM-4.7-FlashX：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking)：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3.5 397B-A17B vs Qwen3.5 122B-A10B：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Aion-3.0 vs Aion-Mini：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Aion-3.0 vs Gemini 3.6 Flash：ベンチマーク・API料金・速度の徹底比較 (2026)比較
Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.
公的ソース: Zhipu AIおよびAlibaba公式APIドキュメント、システムカード、独立ベンチマーク評価 (2026)。