快讯 ｜ 智谱发布最新旗舰模型 GLM-4.7！

问题解构 用户提问“
glm
4
.
7是什么
模型”，该问题存在两个层面的解析需求： 1
. 概念核实：在
智谱AI（Zhipu AI）的官方
模型矩阵中，是否存在名为“
GLM
–
4
.智谱 AI GLM 教程
7”的特定版本
模型。 2
. 关联推断：若该名称非官方正式命名，是否属于用户对现有
模型（如
GLM
–
4
–9B、
GLM
–
4
–9B
–Chat等）的误读、笔误或对特定参数规模的非标准称呼。 基于现有的技术文档和
模型
发布信息，
智谱AI的主流开源
模型体系主要围绕
GLM
–
4 基座及其不同参数量的变体（如
GLM
–
4
–9B）展开。因此，回答需澄清“
GLM
–
4
.
7”并非标准命名，并重点介绍最接近该描述的
GLM
–
4
–9B 系列
模型及其特性。 方案推演 1
. 名称辨析：确认参考资料中未提及“
GLM
–
4
.
7”。根据资料，
智谱AI开源的代表性
模型为
GLM
–
4
–9B 及其对话版本
GLM
–
4
–9B
–Chat [ref_2][ref_
4]。 2
.
模型定位：
GLM
–
4 是
智谱AI
发布的基座大
模型，在中文处理、多轮对话及长文本理解方面表现优异 [ref_2][ref_6]。
GLM
–
4
–9B 是该系列中参数量约为 90 亿（9B）的开源版本，专为语言理解和生成设计 [ref_2][ref_
4]。 3
. 特性梳理：结合资料，整理
GLM
–
4
–9B 的核心能力，包括上下文窗口、多模态支持、工具调用及部署方式。
4
. 应用场景：通过代码示例展示如何加载和使用该
模型，帮助用户通过实践验证
模型功能。 具体答案 经过对现有技术资料的分析，目前
智谱AI（Zhipu AI）官方并未
发布名为“
GLM
–
4
.
7”的
模型。用户所指的极有可能是
GLM
–
4
–9B 系列
模型（包括
GLM
–
4
–9B 基座
模型和
GLM
–
4
–9B
–Chat 对话
模型），这是
智谱AI开源社区中非常活跃和主流的
模型版本 [ref_2][ref_
4]。 以下是对
GLM
–
4
–9B 系列
模型的详细解析及使用指南。 1
.
模型概述与定位
GLM
–
4 是
智谱AI推出的新一代基座大
模型，相较于上一代（如
GLM
–3），它在性能、上下文长度及多模态能力上均有显著提升。
GLM
–
4
–9B 是该系列中的轻量级开源版本，拥有约 90 亿参数 [ref_2][ref_
4]。 *
GLM
–
4
–9B：这是预训练的基座
模型，擅长续写、文本生成等基础语言任务。 *
GLM
–
4
–9B
–Chat：这是基于基座
模型经过人类反馈强化学习（RLHF）微调后的对话版本，优化了多轮对话体验、指令遵循能力以及安全性，更适合直接作为智能助手使用 [ref_1][ref_
4]。 2
. 核心特性对比 为了更清晰地展示
GLM
–
4
–9B 系列
模型的能力，以下表格总结了其主要特性：
| 特性维度
| 描述说明
| 应用场景
|
| :
–
–
–
| :
–
–
–
| :
–
–
–
|
| 语言能力
| 在中文处理方面表现优异，具备强大的语言理解和生成能力 [ref_2][ref_
4]。
| 中文文案写作、摘要生成、阅读理解。
|
| 上下文窗口
| 支持长文本处理，具备较大的上下文窗口（通常支持 128k 或更高，视具体实现而定），能够处理长文档 [ref_6]。
| 长篇小说分析、财报研报解读、代码库理解。
|
| 功能支持
| 支持多模态对话（部分版本）、代码执行、网页浏览及自定义工具调用 [ref_6]。
| 智能问答、Agent 开发、代码辅助编写。
|
| 工具调用
|
模型具备 Function Calling 能力，能够根据指令调用外部工具或 API [ref_5]。
| 订票系统、天气查询、数据库查询自动化。
|
| 部署方式
| 支持本地部署，可结合 vLLM 等推理加速框架使用，也支持集成 Gradio 构建交互界面 [ref_1][ref_5]。
| 企业私有化部署、离线环境应用、Demo 演示。
| 3
. 部署与调用示例
GLM
–
4
–9B
模型支持多种部署方式。以下展示如何使用 Python 进行基础的
模型加载和推理调用。这通常需要先配置好基础环境（如 PyTorch）并下载
模型权重 [ref_
4]。 环境准备（伪代码示意）： “`bash # 创建虚拟环境 conda create
–n
glm
4_env python=3
.10 conda activate
glm
4_env # 安装核心依赖 (具体版本需参照官方文档) pip install torch transformers accelerate “`
模型调用代码示例： “`python from transformers import AutoTokenizer, AutoModelForCausalLM import torch def load_
glm
4_model(model_path): “”” 加载
GLM
–
4
–9B
–Chat
模型和分词器 :param model_path:
模型权重路径，例如 “ZhipuAI/
glm
–
4
–9b
–chat” “”” # 加载分词器 tokenizer = AutoTokenizer
.from_pretrained(model_path, trust_remote_code=True) # 加载
模型 (建议在 GPU 环境下运行) model = AutoModelForCausalLM
.from_pretrained( model_path, torch_dtype=torch
.bfloat16, # 使用 bfloat16 精度以节省显存 low_cpu_mem_usage=True, trust_remote_code=True, device_map=”auto” )
.eval() return model, tokenizer def chat_with_model(model, tokenizer, prompt): “”” 使用
模型进行单轮对话 “”” inputs = tokenizer
.apply_chat_template( [{“role”: “user”, “content”: prompt}], add_generation_prompt=True, tokenize=True, return_tensors=”pt”, return_dict=True )
.to(model
.device) # 生成配置 gen_kwargs = {“max_length”: 2500, “do_sample”: True, “top_k”: 1} with torch
.no_grad(): outputs = model
.generate(inputs, gen_kwargs) outputs = outputs[:, inputs[‘input_ids’]
.shape[1]:] response = tokenizer
.decode(outputs[0], skip_special_tokens=True) return response # 使用示例 if __name__ == “__main__”: # 假设已下载
模型或使用 HuggingFace Hub ID MODEL_ID = “ZhipuAI/
glm
–
4
–9b
–chat” print(“正在加载
模型
.
.
.“) model, tokenizer = load_
glm
4_model(MODEL_ID) user_input = “请解释一下什么是大语言
模型？” print(f”用户提问: {user_input}”) response = chat_with_model(model, tokenizer, user_input) print(f”
模型回复: {response}”) “` *注：上述代码展示了基本的加载和对话流程。在实际生产环境中，为了提高吞吐量和并发能力，通常会使用 vLLM 框架进行部署，或者集成 Gradio 来快速构建 Web 界面 [ref_1][ref_5]。*
4
. 高阶应用场景 除了基础对话，
GLM
–
4
–9B 还在以下高阶场景中表现突出： * 批量推理：在 CentOS 等服务器环境下，可以通过脚本化方式对大量数据进行批量处理，提高计算资源的利用率 [ref_3]。 * 工具集成：通过集成 Tools 功能，
GLM
–
4
–9B
–Chat 可以自主决定何时调用外部函数（如计算器、搜索工具），从而实现更复杂的自动化任务流 [ref_5]。 * 平台应用：
智谱大
模型开放平台也提供了该
模型的云端 API 调用服务，用户无需本地部署即可通过 API Key 进行快速接入和微调 [ref_2]。 总结 “
GLM
–
4
.
7”并非官方标准命名，用户通常指的是
GLM
–
4
–9B
模型。该
模型作为
智谱AI开源生态中的重要一员，凭借其卓越的中文处理能力、长上下文支持以及灵活的工具调用接口，已成为开发者在本地部署和构建智能应用时的首选方案之一 [ref_2][ref_
4][ref_6]。