从需求拆解到代码交付
GLM-4.7 的编程重点是完成任务，而非只补全局部代码。给出目标、技术栈和接口约束后，它可以拆分模块、协调前后端实现，并说明关键依赖与运行步骤。适合把零散需求整理为可验证的工程框架，再根据测试反馈逐步修改。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 原生输入与输出
- 文本输入、文本输出
- 原生上下文
- 200K tokens
- 原生最大输出
- 128K tokens
- 原生推理方式
- 交错推理、保留推理、按轮推理控制
- 工具协作
- Function Calling，支持结构化函数调用
- 回复方式
- 流式文本、JSON 等结构化输出
- 调用入口
- /glm/chat/completions；另支持两个 conversations 会话入口
上下文与最大输出为原生规格；本平台的请求组织、回复预算和会话管理由所选调用入口决定。
核心能力
了解 glm-4.7 能为你的工作带来什么。
让界面结构与风格一起成形
生成网页时，它能够同时处理布局结构、配色关系和组件样式，不必把视觉要求完全留给后续调整。将页面层级、交互状态和品牌风格写入文本需求，可获得更一致的界面代码，也适合制作演示页面、展示型原型和办公内容的布局方案。
多轮推理配合工具协作
面对需要多步完成的问题，GLM-4.7 能围绕目标拆解行动，并通过函数调用与外部工具配合。多轮讨论中可持续补充限制、比较方案和修订结论。原生按轮推理设计也让简单问答与复杂任务有不同的思考方式，适合持续性的开发协作。
适用场景
从具体任务出发，找到模型发挥作用的位置。
开发原型与故障修复
输入产品需求、现有代码片段、接口定义及报错日志，让模型先定位依赖和问题范围，再给出修改方案、代码与验证步骤。对包含前后端交互的原型，可要求分别交付模块结构和启动说明，便于开发者在自己的环境中检查实际运行结果。
构建带工具的业务助手
为业务查询函数定义名称和参数，把用户问题作为文本消息提交。模型可返回函数调用信息，应用执行查询后再回填结果，由它生成解释或下一步建议。适合订单查询、内部数据问答等流程，将自然语言理解与真实业务数据分开处理。
长篇内容与角色创作
将世界观、人物设定、章节目标和已有文本一并提供，让模型续写剧情、调整叙述节奏或统一人物表达。它的写作优势不仅是扩写，也包括氛围描写与角色一致性。持续创作时可保留关键设定和修改记录，获得更连贯的章节稿与编辑建议。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
从 GLM-4.6 升级，重点看任务复杂度
如果工作主要是普通问答和常规内容草拟，GLM-4.6 仍可作为比较选项；当任务涉及跨模块编程、多步工具调用或反复修订约束时，更值得选择 GLM-4.7。它相较 GLM-4.6 的改进重点是编程稳定性与交付完整度，评估时宜使用自己的代码任务和验收标准。
不要把 GLM-4.7 与 Flash 混为一谈
GLM-4.7、GLM-4.7-Flash 和 GLM-4.7-FlashX 是不同型号。完整编程任务、前端生成和复杂协作可优先评估 GLM-4.7；如果考虑轻量变体，应单独比较任务效果和使用条件。名称同属一个系列，并不意味着响应表现、资源需求或调用配置完全相同。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- GLM-4.7 的原生模态是文本。能编写摄像头交互应用，并不等于它能直接理解摄像头画面；能生成海报布局代码，也不等于直接输出图片或演示文件。视觉识别与成品渲染应由适合的模型或应用组件完成。
- 函数调用返回的是行动意图与参数，不代表代码、查询或界面操作已经执行。使用聊天补全入口时，应用需要执行函数并回填结果；涉及写入、发布等动作，应在执行层设置权限、确认步骤和错误处理。
- 长上下文和长输出适合承载较多文本，但不保证一次回复完成整个工程。建议按模块提交需求、为回复预留预算，并检查结束原因；生成代码仍需安装依赖、运行测试，界面效果也应通过实际渲染验收。
常见问题
解答使用 glm-4.7 时的常见疑问。
如何调用 GLM-4.7 并读取回答？
向 /glm/chat/completions 提交 model: glm-4.7 和 messages，使用 Bearer Token 鉴权。普通文本回答位于 choices 中的 message.content；同时读取 finish_reason 和 usage，可判断回复是否结束以及本次 token 使用情况。
GLM-4.7 的多轮对话需要自己保存历史吗？
使用聊天补全入口时，需要将相关历史继续放入 messages。使用 conversations 入口时，可开启 stateful 并在后续请求带回会话 id，由服务管理连续对话。前者适合精细组织上下文，后者适合简化聊天应用的会话维护。
GLM-4.7 能边生成边显示代码吗？
可以。聊天补全入口设置 stream: true 后，以增量片段接收文本并逐步拼接，适合长代码和方案输出。前端应按流式事件解析，而非把每个网络数据块当成完整回复；结束后再保存最终代码，避免使用尚未生成完的内容。
GLM-4.7 可以直接读取图片或生成语音吗？
应将 GLM-4.7 用作文本模型，不把图片理解或语音生成作为其原生能力。图片中的需求可先转换为文字，音频可先转写再交给它分析。如果应用需要直接识图或语音交互，应选择相应模态的模型与音频组件。
GLM-4.7 的推理开关怎样理解？
GLM-4.7 的原生设计支持按轮启用或关闭推理，可用于简单回答与复杂求解之间的取舍。这不等于本平台提供相同的开关：不要向 /glm/chat/completions 直接套用官方示例中的 thinking.type，也不要将 reasoning_effort 等同于启用或关闭推理。使用本平台时，可先采用默认调用方式，并通过明确的任务要求、回复预算和分步验证组织复杂求解。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.35per 1M tokens
Official $0.35
Output
$0.53per 1M tokens
Official $0.53
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits46% OFF
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
This is only a basic call example. See the full docs for more parameters and advanced usage.
View Docs