智谱新开源的GLM-4.7-Flash模型，为开发者提供了一个兼顾性能与效率的轻量化选择。它以3B的激活参数量，在多个基准测试中表现出色，并已开放免费API调用，有望降低AI应用的开发门槛。
智能速览
智谱发布并开源了30B总参数、3B激活参数的混合思考模型GLM-4.7-Flash。
该模型已在智谱开放平台上线，替代旧版并提供免费API调用。
作为同级别SOTA模型，它为轻量化部署提供了新选择。
在SWE-bench等6项基准测试中，其表现优于部分同类模型。
精华内容
这款新模型具体性能如何，它在哪些方面展现了优势，又将如何影响开发者的选择？让我们深入解析其技术细节与实测表现。
核心规格
GLM-4.7-Flash是一个总参数量为30B，但激活参数量仅为3B的混合思考模型。这种设计使其在保持较小计算开销的同时，能够处理复杂任务。它的定位是为需要轻量化部署的场景提供一个兼顾性能与效率的选择，特别适合资源有限或对响应速度有高要求的应用环境。
作为GLM-4.5-Flash的替代者，它的发布标志着智谱在轻量级模型领域的一次重要升级。
性能实测
根据官方基准测试数据，GLM-4.7-Flash在多项评测中展现了强劲实力。在SWE-benchVerified基准上，其得分达到79.5，显著高于Qwen3-30B-A3B的72.8和GPT-OSS-2OB的71.5。
在T²-Bench和BrowseComp两个项目中，它也以79.0和75.2的分数领先于对比模型。这些数据量化了其在代码生成与网页浏览等实际任务中的处理能力。
挑战与潜力
尽管在多项基准中表现出色，GLM-4.7-Flash在AIME25、GPQA和HLE等需要高度复杂推理或专业知识的评测中，得分相对较低。例如，在AIME25上其得分仅为14.4，与GPT-OSS-2OB的34.0有明显差距。
这表明该模型的优势可能更集中于工程与应用类任务，而非纯数学或高阶逻辑推理。对开发者而言，这意味着需要根据具体应用场景来选择合适的模型。
GLM-4.7-Flash的开源和免费策略，为AI生态注入了新的活力，尤其利好个人开发者和中小企业。它在性能与效率之间找到了一个优秀的平衡点。未来，围绕轻量高性能模型的竞争将如何演变？
