GLM-4.7-Flash
GLM-4.7-Flash est un LLM de Zhipu AI publié le 19 janvier 2026, sous licence MIT, avec des poids ouverts et un usage commercial autorisé. Son positionnement combine une très grande fenêtre de contexte, 202 752 tokens, et une architecture déclarée à 30 milliards de paramètres dont 3…
GLM-4.7-Flash est un LLM de Zhipu AI publié le 19 janvier 2026, sous licence MIT, avec des poids ouverts et un usage commercial autorisé. Son positionnement combine une très grande fenêtre de contexte, 202 752 tokens, et une architecture déclarée à 30 milliards de paramètres dont 3 milliards actifs.
Le modèle se distingue surtout par son coût très bas : sa tarification est annoncée 97% sous la moyenne des LLM similaires et environ 80,6 fois inférieure à celle des modèles frontière. À sa sortie, GLM-4.7-Flash se situait dans le top 35% de sa génération sur GPQA.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Zhipu AI |
| Licence | MIT (open-weights, usage commercial autorisé) |
| Date de sortie | 19 janvier 2026 |
| Multimodal | non |
| Paramètres | 30 milliards |
| Paramètres actifs | 3 milliards |
| Fenêtre de contexte | 202 752 tokens |
| Modalités (entrée → sortie) | text → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 22.9 | 90ᵉ / 136 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Email Classification (Baseline) | 100,0 % | 1ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 98,0 % | 161ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 96,5 % | 166ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 90,7 % | 108ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 78,0 % | 124ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 74,7 % | 162ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 67,3 % | 199ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 61,5 % | 133ᵉ / 252 | benchable | ✅ Mesuré |
| AIME 2025 | 91,6 % | 37ᵉ / 108 | llm-stats | Auto-déclaré |
| Tau-bench | 79,5 % | 4ᵉ / 6 | llm-stats | Auto-déclaré |
| GPQA | 75,2 % | 90ᵉ / 213 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 59,2 % | 77ᵉ / 100 | llm-stats | Auto-déclaré |
| BrowseComp | 42,8 % | 44ᵉ / 51 | llm-stats | Auto-déclaré |
| Humanity's Last Exam | 14,4 % | 68ᵉ / 86 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Benchable : Email Classification (Baseline)
Classements Arena (Elo)
| Catégorie | Elo | Rang |
|---|---|---|
| Arena Text | 1368 | 156ᵉ |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| DeepInfra | 0,06 $ | 0,4 $ | 0,01 $ |
| artificialanalysis | 0,07 $ | 0,4 $ | 0,07 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 97 % en dessous de la moyenne des LLM similaires, et 80,6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,05 $ |
| Latence moyenne par benchmark — Benchable | 3 h 28 min |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. GLM-4.7-Flash affiche son meilleur résultat sur Email Classification, où il atteint le top 10 du classement Benchable et se place au premier rang de l’évaluation. Ses scores restent solides en Ethics, General Knowledge et Coding, ce qui indique un modèle polyvalent pour des tâches de classification, de compréhension générale et de génération de code courante. Sa fenêtre de contexte très large constitue un atout concret pour traiter de longs documents ou maintenir beaucoup d’informations dans une même requête. Le tarif est un autre point fort majeur : GLM-4.7-Flash appartient à la catégorie très économique, avec un écart marqué face aux LLM similaires et aux modèles haut de gamme.
Limites et points d'attention. L’Intelligence Index le place plutôt en milieu de classement, ce qui tempère ses bons résultats ponctuels. Les benchmarks Reasoning et Mathematics sont nettement moins favorables que l’email, l’éthique ou la connaissance générale, avec des rangs qui suggèrent des limites sur les tâches exigeant un raisonnement formel ou des calculs robustes. L’Arena text le situe aussi loin des premières places, signe d’une compétitivité limitée en préférence humaine générale. Convient surtout aux usages à grand contexte et à forte contrainte de coût, lorsque les tâches ne reposent pas principalement sur le raisonnement mathématique avancé.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Benchable.ai (benchable.ai).