GLM-4.7

Mit einem Gesamtscore von 76.24% tritt GLM-4.7 als ungewöhnlich ernstzunehmender Allrounder auf: ein Frontier-Generalist mit Instruct-Disziplin, klarer Coding-Ader und optionalem Thinking-Modus, der im Benchmark allerdings im Standardbetrieb lief. Das Modell kommt als Cloud Open-Weights-Angebot von Zhipu AI / Z.AI und basiert auf einer MoE-Architektur mit 355 Milliarden Gesamtparametern, aber nur 32 Milliarden aktiven Parametern pro Token. Das erklärt seinen Charakter ziemlich gut: weniger brachiale Dauergewalt, mehr spezialisierte, oft sehr treffsichere Teilkompetenz. Der Speed-Profile-Badge „Batch DevOps Expert“ passt dazu. GLM-4.7 arbeitet mit 29.16 Tokens pro Sekunde nicht langsam, aber klar eher für substanzielle Arbeitslast als für hektische Chat-Häppchen. Sovereign Risk: HIGH — Zhipu AI sitzt in China, die Cloud-Verarbeitung unterliegt chinesischer Jurisdiktion; für europäische Unternehmen ist das bei sensiblen Daten keine Fußnote, sondern ein Governance-Thema.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Charakter: Vielseitig, aber nicht leichtfüßig

Die vorab vergebene Kategorie General, Instruct, Coder, Thinking-Optional trifft GLM-4.7 erstaunlich präzise. Als Generalist muss es über die volle Breite überzeugen, nicht nur in einem Spezialfach. Als Instruct-Modell soll es Anweisungen direkt und sauber umsetzen. Als Coder darf man eine gewisse technische Schärfe erwarten. Und als Thinking-Optional-Modell muss man im Hinterkopf behalten, dass der Benchmark bewusst den Standardmodus misst, also ohne explizit aktiviertes erweitertes Denken.

Gerade dieser letzte Punkt ist wichtig. GLM-4.7 wirkt in mehreren Aufgaben so, als würde es intern durchaus komplex arbeiten, nur ohne die maximale methodische Ausleuchtung eines voll aktivierten Thinking-Pfads. Das führt zu einem typischen Profil: häufig gute bis sehr gute Resultate, aber nicht immer mit der letzten didaktischen Tiefe oder der letzten Robustheit unter Druck. Es ist kein nervöses Kurzantwort-Modell. Eher eines, das sichtbar Luft holt, ausholt und dann liefert. Leider manchmal so lange, dass der Nutzer auf die Uhr schaut.

Die MoE-Struktur ist hier mehr als technische Folklore. Von den 355 Milliarden Parametern arbeiten pro Token nur 32 Milliarden aktiv. Das bedeutet: Die Erwartungen sollten sich an der aktiven Kapazität orientieren, nicht an der reinen Gesamtzahl. GLM-4.7 spielt damit nicht die Karte maximaler Rohmasse aus, sondern die der Spezialisierung. Das Resultat ist ein Modell, das oft klug priorisiert, aber nicht in jedem Fachgebiet die Wucht einer kompromisslosen Spitzenlösung entfaltet.

Performance: Batch statt Blitz

Der Badge „Batch DevOps Expert“ ist keine Ziergrafik, sondern eine brauchbare Kurzbeschreibung. Gemeint ist ein Modell, das sich eher für längere, gehaltvolle Aufgaben in Technik- und Arbeitskontexten eignet als für ultra-reaktive Live-Interaktion. Die gemessene Generierungsgeschwindigkeit von 29.16 Tokens pro Sekunde ist dabei als Kennzahl der Cloud-Infrastruktur von Zhipu AI / Z.AI zu lesen, nicht als universelle Eigenschaft des Gewichtsmodells in jeder denkbaren Umgebung.

In der Praxis heißt das: Die lineare Ausgabe ist ordentlich flott, aber die problematische Stelle ist die Verlässlichkeit im langen Schwanz der Verteilung. Der Durchschnitt wirkt vernünftig. Die Ausreißer sind es nicht. Ein Modell, das bei fünf Prozent der Anfragen jenseits von 125.84 Sekunden landet, kann in Agenten-Workflows zum Bremsklotz werden. Wer damit automatisiert arbeitet, braucht Retry-Logik, Timeouts und im Zweifel Fallbacks. GLM-4.7 ist kein Werkzeug für Systeme, die auf die Sekunde reagieren müssen. Eher eines für Aufgabenstapel, die Qualität vor Reaktionsreflex stellen.

Code Quality und Security: technisch stark, sicherheitlich nicht ganz scharf genug

GLM-4.7 zeigt im Code- und Audit-Bereich die Handschrift seines Coder-Tags. Der Code-Quality-Audit-Score von 70.56 ist nicht überragend für Frontier-Verhältnisse, aber die qualitativen Protokolle erzählen die wichtigere Geschichte: Das Modell erkennt viel, strukturiert sauber und bleibt im geforderten Format diszipliniert. Im Sicherheits-Audit identifizierte es 19 Schwachstellen und lieferte die verlangte Markdown-Tabelle korrekt aus. Das ist keine Kleinigkeit. Viele Modelle scheitern nicht an der Idee, sondern an der sauberen Exekution.

Das Problem liegt tiefer. GLM-4.7 erkennt Sicherheitslücken oft korrekt, bewertet ihre Tragweite aber mitunter zu defensiv. Im Audit wurden drei eigentlich kritische Schwachstellen nur als „High“ statt „Critical“ eingestuft: Klartext-Passwörter, Type Juggling bei API-Authentifizierung und eine IDOR-Lücke im Profil-Update. Genau hier trennt sich solides Technikverständnis von echter Security-Reife. Wer Prioritäten falsch sortiert, baut nicht nur den falschen Patch-Plan. Er baut die falsche Reihenfolge für den Ernstfall.

Auch bei der Erklärungstiefe bleibt Luft nach oben. Das Modell nennt etwa Type Juggling korrekt als Problem, spart aber entscheidende Schärfungen wie Magic-Hash-Szenarien oder Timing-Aspekte aus. Bei IDOR benennt es die unmittelbare Schwachstelle, verpasst aber die gefährliche Angriffskette bis zum Admin-Takeover. Das ist kein Anfängerfehler. Es ist die typische Schwäche eines Modells, das Symptome gut beschreibt, aber die operative Eskalation nicht immer zu Ende denkt.

Trotzdem: Für technische Analysen, Refactor-Hinweise und erste Sicherheitsdurchgänge ist GLM-4.7 klar brauchbar. Wer damit Security-Review ernsthaft priorisieren will, sollte die Ergebnisse jedoch von einem zweiten System oder einem Menschen mit Bedrohungsmodell gegenlesen lassen. Es sieht die Löcher im Zaun. Es unterschätzt nur gelegentlich, wie viele Leute schon hindurchgelaufen sind.

CLI, Tooling und Halluzinationsrisiko: starkes Terminalgefühl, gefährlicher Ausrutscher

Mit einem CLI-Score von 91.34 gehört GLM-4.7 zu den deutlich überzeugenderen Modellen für terminalnahe Aufgaben. Das passt zum DevOps-Badge und zur Coder-Einstufung. Solche Werte bekommt man nicht durch schönes Gerede, sondern durch belastbare Formatdisziplin und technische Zielgenauigkeit. Das Modell versteht den Takt von Arbeitsanweisungen, Shell-Denke und operativen Sequenzen.

Genau deshalb fällt der dokumentierte Halluzinationsvorfall in der Tool-Nutzung umso härter ins Gewicht. In einer Tool-Execution-Aufgabe hat GLM-4.7 Inhalte erfunden, die nicht aus dem tatsächlich abgerufenen Tool-Ergebnis stammten. Das System kappte deshalb den P2-Score per Halluzinations-Cap. Für Recherche, Berichte oder agentische Abläufe mit externer Datenquelle ist das ein rotes Warnsignal. Nicht, weil das Modell permanent fabuliert. Sondern weil schon ein einzelner solcher Fall in content-kritischen Umgebungen genügt, um Vertrauen zu beschädigen.

Der ToolUse-Score von 42.5 bestätigt genau diese Ambivalenz. GLM-4.7 kann Werkzeuge operational einbinden. Aber wenn die letzte Meile vom Tool-Output zur verbalen Synthese kommt, fehlt manchmal die eiserne Selbstdisziplin. Ein Agent, der sauber Daten holt und dann beim Zusammenfassen dazuerfindet, ist schlimmer als einer, der offen scheitert. Der erste sieht nur überzeugender aus.

Reasoning und Logik: stark, aber nicht mit maximaler Leuchtkraft

Im Reasoning-Bereich liefert GLM-4.7 mit 76.87 ein starkes Resultat. Die qualitative Prüfung des Wächter-Paradoxons zeigt sehr gut, wie das Modell denkt. Es löst die Aufgabe korrekt, erklärt die doppelte Negation sauber, prüft beide Fälle und bleibt vollständig auf Deutsch. Das ist nicht bloß richtig, sondern methodisch ordentlich.

Was fehlt, ist weniger Logik als didaktischer Ehrgeiz. Der Judge lobt die lineare, klare Analyse, stellt aber fest, dass visuelle Verdichtungen, alternative Formulierungen und eine Meta-Erklärung darüber fehlen, warum die Technik robust funktioniert. Anders gesagt: GLM-4.7 denkt korrekt, aber nicht immer mit jener anschaulichen Großzügigkeit, die aus einer guten Antwort eine exzellente macht.

Hinzu kommt die Latenz. Im Reasoning-Modul lag die P95-Antwortzeit des Einzelfalls bei 158.71 Sekunden, dazu kam 1 Timeout in 11 Fällen. Das deckt sich mit dem Gesamtbild: Wer tieferes Denken ohne explizit zugeschalteten Thinking-Modus erwartet, bekommt bei GLM-4.7 oft richtige Resultate, bezahlt aber mit Geduld. Dass das Modell grundsätzlich erweitertes Thinking per API unterstützt, relativiert den Befund nur teilweise. Der Benchmark misst bewusst den Standardbetrieb. Und genau dort zeigt sich, wie das Modell sich ohne Sonderbehandlung verhält.

Content Transformation und UX Writing: kreativ kontrolliert, manchmal zu ausschweifend

Im Bereich Content Transformation erreicht GLM-4.7 77.14 und zeigt eine beachtliche Mischung aus Stilgefühl und Produktionsverständnis. Das qualitative Protokoll zum deutschen 2FA-Videoskript ist fast schon ein Charakterportrait des Modells: klare Zeitmarker, brauchbare Screen-Annotations, gesprochene Sprache statt Schriftsatz und eine insgesamt editor-taugliche Struktur. Das ist keine sterile Umformulierung, sondern echte Adaption mit Blick auf Medium und Publikum.

Auffällig ist dabei, wie sicher sich GLM-4.7 im Ton bewegt. Die Dialogfetzen klingen direkt, alltagstauglich und nicht nach Handbuchdeutsch. Es trifft die Ansprache gut, baut visuelle und akustische Hinweise sinnvoll ein und versteht, dass ein gutes Skript nicht nur Informationen, sondern Taktung braucht. Der Judge kritisiert im Kern nur eine Sache schärfer: Der Pattern Interrupt rund um die kritische Haltephase fehlt. Für YouTube-Mechanik ist das kein Detail, sondern ein Retentionswerkzeug. Das Modell baut Hook und CTA ordentlich. In der Mitte lässt es die dramaturgische Schraube aber nicht ganz fest genug ziehen.

Im UX-Writing kommt GLM-4.7 auf 75.73. Das ist gut, aber nicht sparsam. Es formuliert oft treffend und nutzerverständlich, neigt jedoch zu längeren Ausgaben als nötig. Gerade in diesem Modul sollte ein gutes Instruct-Modell eigentlich eher messerscharf kürzen. GLM-4.7 kann verdichten, entscheidet sich aber häufig dagegen. Es schreibt selten schlecht. Nur manchmal, als würde es dem Leser die ganze Werkbank mitliefern, obwohl ein sauberer Schraubendreher genügt hätte.

Dokumentation und Wissensaufbereitung: brauchbar, aber kein Klassenprimus

Der Documentation-Quality-Score von 67.87 markiert einen der sichtbar schwächeren Bereiche des Modells. Das heißt nicht, dass GLM-4.7 keine Dokumentation schreiben kann. Es heißt, dass seine Frontier-Konkurrenz hier disziplinierter, didaktisch präziser oder strukturärmer zum Ziel kommt. In Verbindung mit seinem sonst starken technischen Profil fällt diese Schwäche besonders auf.

Typisch für GLM-4.7 ist auch hier: die Substanz stimmt oft, aber die Form ist nicht immer ideal kalibriert. Es erklärt eher zu viel als zu wenig, verliert dabei mitunter an Schärfe und wirkt in dokumentarischen Aufgaben weniger elegant als in Code oder logischen Analysen. Für interne Notizen, technische Erklärtexte und längere Entwürfe taugt das. Für Dokumentation, die sofort publish-ready und maximal ökonomisch sein soll, gibt es sauberere Werkzeuge.

Cultural Intelligence: überraschend stark für einen technischen Schwerarbeiter

Mit 81.72 in Cultural Intelligence zeigt GLM-4.7 eine der erfreulicheren Seiten seines Profils. Das Modell ist eben nicht nur ein Techniker mit Tunnelblick. Es kann Kontext lesen, Tonlagen anpassen und scheint bei interkulturellen Anforderungen deutlich robuster zu agieren, als man es von einem Modell mit so klarer DevOps- und Coding-Neigung erwarten könnte.

Das verdient Respekt, gerade weil die Modellkarte selbst auf mögliche Schwächen außerhalb chinesisch-englischer Kontexte hinweist. Im Benchmark schlägt sich diese Sorge jedenfalls nicht drastisch nieder. GLM-4.7 ist kulturell aufmerksamer, als sein nüchterner Maschinencharme zunächst vermuten lässt.

API-Kostenprofil

GLM-4.7 ist günstig bepreist mit 0.38 Dollar pro Million Input-Tokens und 1.74 Dollar pro Million Output-Tokens. Der Haken liegt nicht im Tarif, sondern im Verbrauch. Das Modell ist in mehreren Modulen klar wortreicher als der Schnitt aller getesteten Systeme.

Besonders auffällig ist Cultural Intelligence: durchschnittlich 2474 Tokens bei einem Fleet-Median von 220. Das entspricht dem 11.25-fachen des Flottenschnitts. Auch im CLI-Bereich liegt GLM-4.7 mit 1808 Tokens gegenüber 287 im Median beim 6.3-fachen. Im UX Writing sind es 3883 Tokens statt 1438, also Faktor 2.7. Selbst dort, wo die Qualität stimmt, produziert das Modell oft deutlich mehr Text als nötig. Für API-Nutzer heißt das schlicht: höhere Kosten und längere Laufzeiten bei nicht automatisch höherem Nutzen.

Man kann das als Großzügigkeit lesen. Im Rechnungswesen heißt es trotzdem Verbrauch.

Datenschutz und Datenhoheit

Für GLM-4.7 ist die Datenschutzlage klar und unerquicklich. Das berechnete Sovereign Risk liegt bei HIGH. Begründung: Modellanbieter und Cloud-Provider sind Zhipu AI in Beijing, China, die Verarbeitung unterliegt also chinesischem Recht inklusive PIPL, CSL und DSL. Für deutsche und europäische Unternehmen bedeutet das vor allem eines: Es gibt keinen EU-Angemessenheitsbeschluss für China, internationale Datentransfers sind entsprechend heikel, und behördliche Zugriffsanforderungen nach chinesischem Recht sind ein reales Risiko.

Als Datenstandort ist China angegeben. Die Datenspeicherung ist mit -1 Tagen ausgewiesen, also nicht transparent verifiziert. Eine GDPR-DPA ist als unknown markiert. Für Unternehmen, die DSGVO-konform arbeiten müssen, ist das kein Schönheitsfehler, sondern ein mögliches Beschaffungshindernis. Das gesondert ausgewiesene Weights-Provenienz-Risiko ist ebenfalls HIGH und deckt sich hier mit der Deployment-Situation: chinesische Gewichte, chinesische Jurisdiktion, chinesische Cloud-Verarbeitung. Wer damit arbeitet, sollte keine vertraulichen Inhalte blind durchreichen.

Fazit

GLM-4.7 ist ein interessantes Modell, weil es nicht nur in einer Disziplin überzeugt. Es kombiniert Generalist-Breite, Instruct-Festigkeit, solides bis starkes Coding und brauchbares Reasoning zu einem Gesamtpaket, das im Benchmark auf 76.24% kommt und damit klar in der ernsten Liga spielt. Besonders stark ist es bei CLI-nahen Aufgaben, technischer Strukturarbeit, logischen Standardproblemen und überraschend auch bei Cultural Intelligence. Weniger überzeugend ist es dort, wo letzte Priorisierungsschärfe, didaktische Eleganz oder kompromisslose Quellenstrenge gefragt sind.

Sein größter Makel ist nicht Dummheit, sondern Unzuverlässigkeit an den Rändern. Drei Timeouts, kritische Tail-Latenz, dazu ein dokumentierter Halluzinationsfall in einer Tool-Execution-Aufgabe. Das ist für produktive Agentensysteme kein akademischer Makel, sondern ein operatives Risiko. Wer GLM-4.7 einsetzt, sollte es für Batch-orientierte Technikaufgaben, Code-Analysen, Shell-Hilfe, Entwürfe und strukturierte Inhaltsadaption in Betracht ziehen. Für zeitkritische Workflows, autonome Recherchepipelines und compliance-sensitive Unternehmensumgebungen ist Vorsicht geboten. GLM-4.7 ist kein Blender. Aber es ist auch kein Modell, dem man ohne Leitplanken die Schlüssel zum Maschinenraum überlässt.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT 4.5 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.