GLM-4.7

GLM-4.7 erreicht einen Gesamtscore von 72,9 Prozent und trägt im Leaderboard das Speed-Profil Batch Tool Expert. Das beschreibt den Charakter dieses Modells ziemlich gut: kein nervöser Sprinter für den Dialog in Echtzeit, sondern ein breit aufgestellter Cloud-Allrounder mit klarer Schlagseite zu Tool-, Code- und Arbeitslasten, die auch einmal Luft holen dürfen. Für ein als Generalist geführtes Frontier-Modell ist das respektabel, aber nicht makellos; für ein als Instruct- und Coder-Modell mitgedachtes System ist vor allem die ungleichmäßige Zuverlässigkeit der Störfaktor, der aus guter Technik keine souveräne Plattform macht. Sovereign Risk: HIGH — GLM-4.7 stammt von Zhipu AI in China; Verarbeitung und Anbieterjurisdiktion liegen nach vorliegenden Karten in China unter PIPL/CSL/DSL, mit entsprechend erhöhtem Drittland- und Zugriffsrisiko.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Einordnung

Die vorab vergebene Kategorie passt erstaunlich gut. GLM-4.7 ist als Generalist eingestuft, zeigt aber deutliches Talent in Bereichen, in denen strukturierte Exekution zählt: Code, Tool-Nähe, formatierte Arbeitsausgaben. Das Instruct-Etikett erklärt, warum viele Antworten sichtbar diszipliniert bleiben, obwohl intern massiv gedacht wird. Das Coder-Tag ist ebenfalls kein Etikettenschwindel. In sicherheitsnahen Code-Aufgaben sieht man Substanz, auch wenn sie nicht bis zum letzten kritischen Detail reicht. Und Thinking-Optional ist hier wichtig, weil der konkrete Testlauf mit Modus n/a stattfand. Es gab also keinen explizit aktivierbaren Thinking-Schalter im Benchmark, sondern den Standardmodus des Cloud-Endpunkts.

Editorial entscheidend ist die Kalibrierung über die Modellklasse. GLM-4.7 ist ein Frontier-Modell im Sinne dieses Benchmarks, mit 355 Milliarden Gesamtparametern, aber in MoE-Architektur und damit nur 32 Milliarden aktiven Parametern pro Token. Genau diese aktive Kapazität ist der faire Maßstab. Man sollte also keine Wunder allein aus der Gesamtzahl ableiten. MoE ist eher fein austarierte Arbeitsteilung als rohe Wucht. Wenn ein solches Modell stark wirkt, dann oft durch Spezialisierung und Effizienz. Wenn es Lücken zeigt, dann trotz beeindruckender Gesamtgröße.

Dazu kommt der Bereitstellungsmodus: GLM-4.7 lief hier als Cloud Open-Weights-Modell via OpenRouter. Das ist für Leser wichtig, weil die gemessene Geschwindigkeit nicht einfach ein abstrakter Modellwert ist, sondern immer auch ein Benchmark des jeweiligen Cloud-Infrastrukturpfads. Das Speed-Profil Batch Tool Expert steht folgerichtig für eher stapelorientierte Nutzung: längere, strukturierte Jobs, Tool-bezogene Workflows, weniger für nervöse Hin-und-her-Chats.

Performance-Charakter: eher Lastesel als Florettfechter

Das Speed-Profil Batch Tool Expert ist keine hübsche Plakette, sondern eine brauchbare Kurzbeschreibung des Einsatzprofils. GLM-4.7 arbeitet nicht wie ein flinker Assistent, der sofort dazwischenruft, sondern wie ein Kollege, der erst einmal die Unterlagen sortiert, dann antwortet. Für Dokumentarbeit, Sicherheitsanalyse, Transformationsaufgaben und Tool-nahe Abläufe kann das gut funktionieren. Für alles, was in einem engen Interaktionsloop lebt, ist die starke Streuung ein echtes Problem.

Wichtig ist auch die Token-Ökonomie. Das Modell bleibt formal innerhalb aller Budgets, aber sparsam ist etwas anderes. Besonders auffällig ist die Ausgabemenge im CLI-Bereich, bei Cultural Intelligence, UX Writing und Content Transformation. Das ist kein Qualitätsbonus. Es bedeutet bei einem Cloud-Modell schlicht: mehr Text, mehr Kosten, mehr Wartezeit. Wer GLM-4.7 produktiv nutzt, bezahlt nicht nur für Antworten, sondern oft auch für den Hang, aus einem Schraubendreher gleich einen Werkzeugkoffer zu machen.

API-Kostenprofil

GLM-4.7 produziert in mehreren Modulen deutlich mehr Tokens als der Fleet-Median. Im CLI Benchmark liegen im Schnitt 3877 Tokens an, der Fleet-Median liegt bei 312. Das entspricht dem Faktor 12,43. Im Bereich Cultural Intelligence sind es 2796 Tokens gegenüber einem Median von 290, also Faktor 9,64. Auch UX Writing fällt mit 3410 zu 1644 ins Gewicht, Faktor 2,07, und Content Transformation mit 3215 zu 1837, Faktor 1,75.

Für einen Cloud-Endpunkt ist das keine Petitesse. Es heißt schlicht: identische Aufgabe, deutlich mehr verrechenbarer Text. Weil der Benchmark den Qualitätswert davon trennt, sieht man hier sehr sauber, wo Leistung und Effizienz auseinanderlaufen. GLM-4.7 ist nicht verschwenderisch im Sinne sinnlosen Geschwätzes, aber es ist sichtbar kein Modell für Minimalisten.

Code Quality und Security: viel Substanz, keine Vollkasko

Die Code- und Security-Seite ist die interessanteste an GLM-4.7. Hier zeigt das Modell, warum die Kombination aus General, Instruct und Coder sinnvoll vergeben wurde. In einem anspruchsvollen PHP-Sicherheitsaudit identifiziert es 16 von 19 erwarteten Schwachstellen, liefert eine saubere Markdown-Tabelle, hält die knappen Erklärungen kurz und bringt bei den Fixes meist direkt verwertbare Maßnahmen. SQL-Injection, Klartext-Passwörter, Mail-Header-Injection, IDOR, Path Traversal, schwache Token-Erzeugung: Das sitzt. Der Sicherheitsinstinkt ist da.

Aber Frontier heißt in diesem Benchmark auch: gute Trefferquote reicht nicht ganz. Die Lücken sind nicht dekorativ, sondern substanziell. Es fehlen unter anderem eine kritische SQL-Injection im Delete-Pfad, CSRF-Schutz als eigenständiges Problem, das Risiko harter Root-Zugangsdaten sowie die fehlende Ablaufzeit für Reset-Tokens. Genau dort kippt GLM-4.7 vom sehr guten Auditor zum guten Auditor mit blinden Flecken. In Security-Kontexten ist das ein Unterschied, der sich nicht wegmoderieren lässt.

Positiv ist, dass die Fixes überwiegend praxisnah bleiben. Das Modell sagt nicht nur „unsicher“, sondern schlägt Prepared Statements, password_hash() oder Whitelisting-Strategien vor. Negativ ist, dass ihm die Synthese fehlt. Der Golden Standard baut aus Einzelproblemen eine Angriffskette. GLM-4.7 bleibt stärker auf Zeilenebene als auf Kompromittierungsniveau. Es erkennt den Werkzeugkasten des Angreifers, aber nicht immer den gesamten Einbruchspfad.

Die Stabilität wirft allerdings einen Schatten auf diese Stärke. Im Code-Quality-Modul gab es Aussetzer und eine sehr hohe Streuung. Gerade in Security-Reviews ist das unerquicklich. Ein Modell, das gute Treffer liefert, aber nicht verlässlich jedes Mal, ist wie ein Penetrationstester, der zweimal brillant ist und beim dritten Einsatz den Termin verpasst.

Reasoning und Logik: korrekt, aber nicht mit letzter Eleganz

Im logischen Schließen zeigt GLM-4.7 eine angenehme Eigenschaft: Es ist selten dumm, aber öfter knapp. Beim klassischen Wächterrätsel liegt die Kernlogik sauber. Die Strategie mit der Frage nach der Antwort des anderen Wächters wird korrekt hergeleitet, die deutsche Formulierung ist klar, die Schlussfolgerung stimmt. Das Modell scheitert also nicht am Denken, sondern an der Ausarbeitung.

Genau das passt zur Kategorie Thinking-Optional im Standardmodus. Weil im Benchmark kein expliziter Thinking-Modus aktiviert werden konnte, sind keine ausufernden Beweisführungen zu erwarten. Trotzdem bleibt sichtbar, dass intern viel passiert, während außen nur ein Teil davon ankommt. Die Judge-Protokolle bemängeln weniger Denkfehler als fehlende Breite: alternative Formulierungen, die Erklärung des Doppel-Inversions-Prinzips, mehr pädagogische Tiefe. GLM-4.7 löst die Aufgabe, aber es doziert nicht. Manchmal ist das eine Tugend. In einem Reasoning-Benchmark kostet es Punkte.

Das eigentliche Problem liegt auch hier wieder in der Praxisstabilität. Im Reasoning-Modul treten Aussetzer auf. Für Nutzer bedeutet das: Das Modell kann gute Logik liefern, aber nicht mit der Zuverlässigkeit, die man von einem Frontier-Cloud-Service erwarten darf.

Content Transformation: erstaunlich stark, mit kleinen Schrammen

Im Bereich Content Transformation zeigt GLM-4.7 eine der überzeugenderen Leistungen des Tests. Ein komplexes deutsches Videoskript mit Analyseblock, Timing, Produktionshinweisen, Hook, Pattern Interrupt, Easter Egg und klarer Sprechsprache setzt das Modell nahezu vollständig um. Die Struktur stimmt, die Regiehinweise sitzen, die Dramaturgie funktioniert. Hier arbeitet GLM-4.7 nicht wie ein trockener Textgenerator, sondern wie ein brauchbarer Producer mit Sinn für Taktung.

Besonders erfreulich ist die saubere Sprachführung. Die sichtbare Ausgabe bleibt auf Deutsch, die Formvorgaben werden eingehalten, das Skript ist direkt benutzbar. Kleinere Macken wie das unidiomatische „onderschept werden“ sind exakt das, was sie sein sollten: Schönheitsfehler, keine Statikschäden.

Für einen Generalisten ist das stark. Für einen Instruct-nahen Frontier-Kandidaten ist es fast wichtiger als manche Benchmark-Kosmetik, weil es zeigt, dass GLM-4.7 mehrere gleichzeitige Anforderungen nicht sofort verliert. Sprache, Format, Länge, Produktionsreife: Das gelingt.

Cultural Intelligence und UX-Nähe: ordentlich, aber nicht ganz zuhause

In kulturell und tonal sensiblen Aufgaben arbeitet GLM-4.7 besser, als man es bei einem stark techniknah wirkenden Modell vielleicht erwarten würde. In der Umschreibung eines toxischen, geschlechterverzerrten HR-Textes entfernt es problematische Begriffe sauber, hält die Ausgabe auf Deutsch und respektiert die Anweisung, keine Erklärungen zu liefern. Das Ergebnis ist professionell, verwendbar und sprachlich korrekt.

Was fehlt, ist Feingefühl auf dem letzten Meter. Der Judge beschreibt das sehr treffend: etwas weniger idiomatisch, etwas formaler, etwas weniger einladend als die Referenz. Es ist der Unterschied zwischen „korrekt formuliert“ und „wirklich anschlussfähig“. Das Modell schreibt den Text um, aber es atmet nicht ganz die HR-Konventionen, die im deutschsprachigen Raum Vertrauen erzeugen. Gerade bei einem Anbieter, dessen Stärken ausdrücklich in chinesisch-englischer Bilingualität liegen, überrascht diese Nuance nicht. Sie ist kein Makel von grundsätzlicher Qualität, aber sie markiert die Grenze zwischen guter Adaption und kultureller Souveränität.

CLI, Tool-Nähe und Halluzinationsrisiko: brauchbar bis zum Moment, in dem es zählt

Der schwierigste Charakterzug von GLM-4.7 zeigt sich dort, wo Tool-Ergebnisse und deren exakte Auswertung aufeinandertreffen. Das Modell trägt zwar das Speed-Profil Batch Tool Expert, und seine allgemeine Tool-Nähe ist im Score durchaus sichtbar. Aber im Constraint-Log steht ein Befund, den man nicht kleinreden darf: In einer Tool-Use-Aufgabe wurde eine Halluzination erkannt. Das Modell hat Inhalte generiert, die nicht aus dem abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Der Score wurde deswegen gedeckelt.

Für content-kritische Aufgaben ist das ein Alarmsignal. Wer mit Tool-Output arbeitet, will keine kreative Ergänzung, sondern belastbare Exekution. Genau hier zeigt GLM-4.7 einen gefährlichen Reflex: Es kann aus einer unvollständigen Faktengrundlage eine plausible Antwort bauen. Das ist in Marketing noch Charme, in Recherche, Compliance oder Incident-Analyse aber Gift.

Hinzu kommt ein weiterer systemischer Befund aus dem CLI-Bereich: In einer Aufgabe haben interne Reasoning-Tokens das Output-Budget verdrängt. Sichtbare Reasoning-Tokens gibt es im Produkt nicht, aber der Effekt ist real. Das Modell hat intern so viel Rechenraum aufgebraucht, dass für die eigentliche Ausgabe zu wenig übrig blieb. Für den Nutzer sieht das dann aus wie ein Modell, das mitten auf der Treppe die Luft verliert. Methodisch ist das kein inhaltlicher Fehler. Praktisch ist es trotzdem ein Produktmangel.

Dokumentationsqualität: brauchbar, aber nicht die Komfortzone

Die Dokumentationswerte liegen unter dem, was man von den stärkeren Dokumentationsmodellen in dieser Klasse kennt. GLM-4.7 schreibt verständlich und kann strukturieren, aber es strahlt dort keine natürliche Autorität aus. Das passt zum Gesamtbild: Das Modell ist eher arbeitsorientiert als stilprägend. Wer belastbare Struktur, gute Lesbarkeit und technische Solidität sucht, bekommt etwas Brauchbares. Wer Dokumentation als Präzisionsliteratur versteht, findet in dieser Klasse elegantere Kandidaten.

Datenschutz und Datenhoheit

Für Unternehmen in Deutschland und der EU ist die Datenschutzlage bei GLM-4.7 der zweite große Warnhinweis nach der Stabilität. Der Anbieter ist Beijing Zhipu Huazhang Technology Co., Ltd. mit Sitz in Beijing, China. Anwendbares Recht ist laut Vendor Card China (PIPL/CSL/DSL), der angegebene Datenstandort ist China. Eine verifizierte GDPR-DPA ist nicht dokumentiert, die Datenspeicherung ist mit -1 Tagen faktisch unklar.

Das berechnete Sovereign Risk liegt bei HIGH. Die Begründung ist konkret: Zhipu AI unterliegt als chinesisches Unternehmen dem chinesischen Sicherheits- und Datenrecht; zugleich verweist die Card explizit auf die BSI-Warnung vom 04.02.2025 zu chinesischen KI-Cloud-Diensten als einschlägige Risikolinie. Für europäische Unternehmen bedeutet das nicht automatisch ein Nutzungsverbot, wohl aber ein deutlich erhöhtes Drittlandrisiko. Ohne klar dokumentierte Transfermechanismen und ohne belastbare DPA ist der Einsatz mit personenbezogenen oder vertraulichen Geschäftsdaten datenschutzrechtlich schwer zu vertreten.

Hinzu kommt ein zweiter Punkt, der vom Deployment zu unterscheiden ist: Das Weights-Provenienz-Risiko ist ebenfalls HIGH. Hier fallen Herkunft des Modells und Hosting-Risiko zusammen, nicht auseinander. Wer GLM-4.7 via OpenRouter oder vergleichbaren Cloud-Zugang nutzt, sollte das nicht als Formalie behandeln. Datenhoheit ist hier kein Marketingwort, sondern eine offene Flanke.

Fazit

GLM-4.7 ist ein interessantes, leistungsfähiges und in Teilen eindrucksvoll brauchbares Frontier-Modell. Als Cloud Open-Weights-Modell via OpenRouter verbindet es breite Generalistenfähigkeiten mit klaren Stärken in Code, Sicherheitsanalyse und strukturierter Transformation. Die MoE-Architektur mit 32 Milliarden aktiven Parametern erklärt gut, warum das Modell oft substanziell wirkt, ohne in jeder Disziplin nach absoluter Spitzenklasse auszusehen.

Der Haken ist nur leider keiner, den man überliest. Die Praxisstabilität ist schwach, die Tail-Latenz kritisch, die Token-Ökonomie in mehreren Modulen kostspielig. Und die Halluzination in einer Tool-Use-Aufgabe ist kein Schönheitsfehler, sondern ein Vertrauensbruch im denkbar falschen Bereich. Für Batch-lastige technische Workflows, Code-Reviews, Sicherheits-Scans und strukturierte Textumbauten kann GLM-4.7 durchaus nützlich sein, solange ein Mensch drüberschaut und Retrys eingeplant sind. Für zeitkritische Agentenketten, faktenstrenge Tool-Pipelines und datenschutzsensible Unternehmensprozesse ist es in dieser Form keine entspannte Empfehlung. GLM-4.7 ist kein Blender. Aber es ist auch noch kein Modell, dem man die Schlüssel zum Maschinenraum ohne Aufsicht überlässt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.