模型比较
GLM-4.7
对比
Step-3.5-Flash
2026年2月15日
定价
Input
$
0.42
/ M Tokens
$
0.1
/ M Tokens
Output
$
2.2
/ M Tokens
$
0.3
/ M Tokens
元数据
规格
州
Available
Available
建筑
Mixture of Experts
Sparse MoE Transformer
校准的
是
不
专家混合
是
是
总参数
355B
196B
激活的参数
32B
11B
推理
不
不
精度
FP8
FP8
上下文长度
205K
262K
最大输出长度
205K
66K
支持功能
Serverless
支持
支持
Serverless LoRA
不支持
不支持
微调
不支持
不支持
Embeddings
不支持
不支持
Rerankers
不支持
不支持
支持 Image Input
不支持
不支持
JSON Mode
不支持
不支持
结构化Outputs
不支持
不支持
工具
支持
支持
FIM 补全
不支持
不支持
对话前缀补全
不支持
支持
GLM-4.7比较中
看看GLM-4.7与其他流行模型在关键维度上进行比较。
对比
MiniMax-M2.5
对比
GLM-5
对比
Step-3.5-Flash
对比
MiniMax-M2.1
对比
Kimi-K2-Thinking
对比
MiniMax-M2
对比
Qwen3-VL-235B-A22B-Instruct
对比
Qwen3-VL-235B-A22B-Thinking
对比
Ring-flash-2.0
对比
Ling-flash-2.0
对比
Qwen3-Next-80B-A3B-Instruct
对比
Qwen3-Next-80B-A3B-Thinking
对比
Kimi-K2-Instruct-0905
对比
gpt-oss-120b
对比
step3
对比
Qwen3-235B-A22B-Thinking-2507
对比
Qwen3-Coder-480B-A35B-Instruct
对比
Qwen3-235B-A22B-Instruct-2507
对比
Kimi-K2-Instruct
对比
Hunyuan-A13B-Instruct
