GLM-4.7

Mit einem Gesamtscore von 73,97 % tritt GLM-4.7 als eigentümlicher Mischtyp an: ein generalistisches Server-Modell mit Instruct-Fokus, klarer Code-Affinität und optionaler Denkarchitektur, hier im Testlauf jedoch im festen Standardmodus ohne Thinking-Toggle (n/a). Der Speed Profile Badge „Batch DevOps Expert“ verrät viel über seinen Charakter: keine Sprinterseele für hektische Dialoge, sondern ein Modell für längere, werkzeugnahe Arbeitsläufe, bei denen Durchsatz wichtiger ist als Instant-Reaktion. Für ein Cloud Open-Weights-Modell via OpenRouter ist das ein respektabler Auftritt, aber kein makelloser. Sovereign Risk: HIGH: Zhipu AI / Z.AI ist ein chinesisches Unternehmen und unterliegt dem chinesischen National Security Law (NSL), das staatlichen Zugriff auf Daten ermöglichen kann. Das BSI hat im Februar 2025 explizit vor der Nutzung chinesischer KI-Cloud-Dienste gewarnt (BSI-Referenz: Warnung DeepSeek, 04.02.2025); diese Risikoeinschätzung gilt analog für alle chinesischen Cloud-KI-Anbieter, die Nutzerdaten auf chinesischen Servern verarbeiten. Bei rein lokaler Inferenz entfällt das Cloud-Act-äquivalente Risiko.

Kopfnoten: Stabilität und Zuverlässigkeit

Architektur und Erwartungshaltung

Die vorab vergebene Kategorie General, Instruct, Coder, Thinking-Optional passt erstaunlich gut. GLM-4.7 will vieles zugleich sein: Allrounder für breite Aufgaben, direktes Befolgen von Anweisungen, solide Techniknähe und bei Bedarf mehr Denktiefe. Entscheidend ist hier der konkrete Testmodus: n/a, also Standardverhalten ohne separat schaltbaren Thinking-Lauf im Benchmark. Das ist wichtig, weil manche seiner Antworten Spuren interner Tiefe zeigen, ohne dass der Leser sichtbare Kettennotizen bekommt. Gemessen wurde also nicht die theoretisch maximal verkopfte Version, sondern die Variante, die ein typischer API-Nutzer tatsächlich erhält.

Auch die Modellklassifikation setzt den Maßstab richtig. GLM-4.7 ist ein Generalist, kein reines Spezialmodell. Es gehört zur Size Class Server und nutzt eine MoE-Architektur mit 355,0 Milliarden Gesamtparametern, aber nur 32,0 Milliarden aktiven Parametern pro Token. Genau daran muss man es messen. Die Gesamtgröße klingt nach Schwergewicht, die aktive Kapazität eher nach kontrollierter Mittelklasse im Server-Regal. Wer hier rohe Frontier-Gewalt erwartet, liest die Architektur falsch. Wer aber auf Spezialisierung, Effizienz und ordentliche Breite hofft, ist auf der richtigen Fährte.

Performance-Profil: batchig, nicht behände

Der Badge „Batch DevOps Expert“ ist mehr als Deko. Er beschreibt GLM-4.7 ziemlich präzise: ein Modell, das sich eher in stapelverarbeitenden, technischen Arbeitsflüssen wohlfühlt als in flinken, dialogischen Ping-Pong-Situationen. Die Generierung wirkt qualitativ moderat bis eher träge, und diese Einordnung ist bei einem Cloud-Open-Weights-Modell via OpenRouter immer auch ein Benchmark des Anbieters und seiner Infrastruktur, nicht bloß des Gewichtsatzes selbst. Solche Geschwindigkeiten sind deshalb als Eigenschaften des bereitgestellten Cloud-Endpunkts zu lesen.

Die Kehrseite zeigt sich brutal im Long Tail. Im Mittel mag das noch handhabbar wirken, aber die Ausreißer sind so lang, dass produktive Ketten aus Tool-Calls, Agentenlogik und Nutzerinteraktion ins Stocken geraten. Ein Modell darf gründlich sein. Es darf auch langsam sein. Es darf aber nicht regelmäßig so tun, als hätte Zeit keine Kosten.

Code Quality und Security: ordentliches Fundament, fehlender Audit-Biss

Die Code-Quality-Leistung von 67,08 % beschreibt GLM-4.7 ziemlich fair. Es sieht die offensichtlichen Probleme, benennt SQL-Injection, XSS, Session Fixation, Path Traversal, schwache Token und mehrere implizite Sicherheitslücken. Das ist kein blindes Herumtasten. Das Modell versteht die Landschaft. Nur fehlt ihm an den entscheidenden Stellen der Instinkt des Paranoiden, den gute Security-Reviews brauchen.

Das qualitative Protokoll ist dafür aufschlussreich. In einer Sicherheitsaufgabe fand GLM-4.7 15 statt 19 relevanter Schwachstellen. Besonders schwer wiegen die Auslassungen bei CSRF-Schutz, fehlender Ablaufzeit von Reset-Tokens und einer heiklen Header-Reihenfolge. Das sind keine Fußnoten. Das sind klassische Stellen, an denen aus „unsauber“ sehr schnell „angreifbar“ wird. Ebenso bleibt das Modell bei impliziten Lücken oft zu generisch. Es nennt Type Juggling, aber erklärt den konkreten Angriffsweg nicht mit der Schärfe, die man in einer professionellen Security-Besprechung erwarten würde. Bei Fixes ist es ähnlich: brauchbar, aber nicht ausgehärtet. === wird erwähnt, hash_equals() fehlt. basename() taucht auf, realpath()-Validierung nicht. Cookie-Flags werden angerissen, SameSite bleibt liegen.

Gerade weil GLM-4.7 als Coder mitläuft, ist das kein Nebenkriegsschauplatz. Von einem coder-nahen Server-Modell darf man keine Magie erwarten, aber einen robusten Security-Radar schon. Hier liefert es eher das Profil eines guten Entwicklers als das eines unangenehmen Prüfers. Für Erstanalysen nützlich. Für Freigaben nicht ausreichend.

CLI und tool-nahe Praxis: stark im technischen Ton, schwach bei Tool-Treue

Im CLI-Benchmark mit 86,67 % zeigt GLM-4.7 eine seiner klareren Stärken. Das Modell scheint sich im DevOps-Tonfall wohlzufühlen, folgt technischen Aufgabenstellungen meist direkt und liefert verwertbare Antworten. Das passt zur Instruct-Seite seiner Architektur und zum Badge. Wer Shell-nahe Assistenz sucht, bekommt hier kein Schönschreibmodell, sondern einen Arbeiter mit Werkzeugkasten.

Allerdings liegt hier auch der schwerste Vertrauensbruch des Berichts. In einer Tool-Use-Aufgabe wurde eine Halluzination erkannt: Das Modell generierte Inhalte, die nicht aus dem abgerufenen Tool-Ergebnis stammten, sondern erfunden waren. Der Score wurde dafür per Halluzinations-Cap begrenzt. Für content-kritische Aufgaben wie Recherche, faktengebundene Zusammenfassungen oder Agentenketten mit externer Datenquelle ist das ein disqualifizierendes Signal. Denn genau dort gilt die härteste Regel überhaupt: Wenn ein Modell Tool-Ausgaben nicht als Bodenhaftung, sondern als lose Inspiration behandelt, wird aus Assistenz schnell Fiktion mit Protokollstempel.

Das drückt auch den ToolUse Score von 42,5 %. GLM-4.7 ist also deutlich stärker in technischen Direktantworten als in streng quellengebundener Werkzeug-Exekution. Das ist ein Unterschied, den man in der Praxis nicht verwischen darf.

Reasoning und Logik: korrekt, aber nicht elegant

Mit 73,55 % im logischen Reasoning liegt GLM-4.7 im soliden Bereich. Das qualitative Bild dazu ist fast lehrbuchhaft: Das Modell kommt auf die richtige Lösung, erklärt die relevanten Fälle nachvollziehbar und bleibt sprachlich sauber. Im klassischen Wächterrätsel etwa liefert es die korrekte Frage, analysiert beide Wächterfälle richtig und führt zur passenden Handlungsempfehlung.

Was ihm fehlt, ist didaktische Präzision. Die Richter monieren zu Recht, dass das Modell die Doppel-Inversion eher andeutet als wirklich herausarbeitet. Es löst die Aufgabe, aber es macht die Schönheit der Lösung nicht sichtbar. Genau das trennt in diesem Modul „richtig“ von „gut“. Für praktische Antworten reicht das meist. Für ein Modell mit optionaler Denktiefe ist es dennoch ein kleiner Makel. Es denkt offenbar genug, um ans Ziel zu kommen, aber nicht immer so, dass der Leser vom Weg profitiert.

Wichtig ist dabei die Einordnung: GLM-4.7 gehört architektonisch zu den Thinking-Optional-Modellen, aber dieser Benchmark lief im Standardmodus. Kürzere, direktere Antworten sind hier also kein Versagen des Setups, sondern der gewählte Betriebszustand. Man sieht das Potenzial zur Tiefe. Man bekommt nur nicht immer ihre beste pädagogische Form.

UX Writing: brauchbar, aber noch kein Senior-Niveau

Im Modul UX Writing & Microcopy erreicht GLM-4.7 76,29 % und offenbart damit einen bekannten Modellcharakter: Es kann optimieren, straffen, verständlicher machen. Aber wenn psychologische Tiefe, Priorisierung und Vollständigkeit zusammenkommen, wird aus Kompetenz keine Exzellenz mehr.

Das Judge-Protokoll beschreibt die Leistung treffend als junior-level. Die Basis sitzt: Jargon wird reduziert, mobile Perspektive berücksichtigt, Tonfall verbessert. Doch bei den psychologischen Prinzipien bleibt die Antwort unterentwickelt, wichtige Teile einer mehrstufigen Aufgabe bleiben unvollständig, und eine Metrik-Tabelle fehlt ganz. Das ist nicht katastrophal. Es ist aber die Art von Lücke, die Produktteams im Alltag nervt, weil sie einen zweiten Durchgang erzwingt. GLM-4.7 liefert in diesem Bereich also keinen Fehlgriff, sondern halbfertige Brauchbarkeit. Man arbeitet damit weiter. Man nimmt es nicht einfach ab.

Documentation Quality und Content Transformation: stark strukturiert, manchmal zu schematisch

Die Documentation Quality mit 74,69 % und die Content Transformation mit 74,91 % zeigen eine der sympathischeren Seiten des Modells. GLM-4.7 kann Stoff organisieren, in belastbare Formen bringen und längere Ausgaben sauber strukturieren. Besonders im Transformationsmodul gefiel dem Judge, dass das Modell eine vollständige dreiteilige Aufgabe in sauberem Deutsch erledigte, inklusive Analyse, Produktionsskript und eingebautem „Easter Egg“. Das Ergebnis war produktionstauglich und in manchen Details sogar stärker als der Referenzstil.

Auffällig ist aber der Hang zur funktionalen Struktur über stilistische Eleganz. Im Video-Skript etwa wählte GLM-4.7 ein tabellarisches Format statt eines cineastischeren Screenplay-Aufbaus. Das ist nicht falsch. Es ist sogar redaktionell oft praktischer. Aber es verrät etwas über den Charakter des Modells: Es denkt gern in Spalten, Listen und Arbeitsflächen. Weniger in Dramaturgie.

Cultural Intelligence: sprachlich sicher, kulturell ordentlich, aber nicht maximal feinfühlig

Mit 73,84 % liefert GLM-4.7 im Bereich Cultural Intelligence eine ordentliche Leistung ab. Besonders erfreulich ist die Sprachdisziplin. In den vorliegenden Protokollen hält das Modell Deutsch sauber durch, folgt klaren Vorgaben und vermeidet unnötige Erklärschleifen. In einer Aufgabe zur inklusiveren Umschreibung einer Stellenanzeige entfernt es toxische Begriffe zuverlässig und formuliert idiomatisch.

Die Schwäche liegt in der letzten Feinabstimmung. Das Modell entschärft viel, aber nicht alles. Formulierungen wie „Durchsetzungsvermögen“ oder der Wettbewerbston bleiben stellenweise zu präsent. Der Judge beschreibt das treffend als gutes, aber nicht exzellentes Ergebnis: professionell, lesbar, funktional, nur eben noch nicht ganz auf dem Niveau moderner, wirklich warmer und inklusiver HR-Sprache. Es ist das sprachliche Äquivalent eines korrekt sitzenden Anzugs, dem die letzte Schneiderfalte fehlt.

API-Kostenprofil

GLM-4.7 ist ein Cloud-Modell mit abrechenbarer Nutzung, und genau deshalb ist seine Ausführlichkeit kein akademischer Nebenbefund, sondern eine Preisfrage. Das Modell produziert im Cultural-Intelligence-Bereich durchschnittlich 2166 Tokens bei einem Fleet-Median von 257. Das entspricht dem 8,43-fachen des Schnitts aller getesteten Modelle. Im CLI-Bereich sind es 1488 Tokens gegenüber 283, also 5,26-fach. Im UX-Writing schreibt es 3768 Tokens bei einem Fleet-Median von 1676, also 2,25-fach. Auch Content Transformation liegt mit 3477 gegenüber 1832 Tokens beim 1,9-fachen.

Das muss man klar sagen: Diese Mehrlänge ist nicht per se ein Qualitätsgewinn. In mehreren Bereichen löst GLM-4.7 Aufgaben ordentlich, produziert dabei aber deutlich mehr Text als nötig. Für API-Einsatz bedeutet das schlicht höhere Kosten bei vergleichbarem Nutzwert. Wer das Modell in Batch-Prozesse hängt, sollte nicht nur auf die Antwortqualität schauen, sondern auf die Rechnung am Monatsende. Bei 0,4 US-Dollar pro Million Input-Tokens und 1,75 US-Dollar pro Million Output-Tokens bleibt GLM-4.7 zwar nicht teuer im absoluten Sinn. Seine Redseligkeit frisst den Kostenvorteil aber schneller auf, als einem lieb sein kann.

Datenschutz und Datenhoheit

Für europäische Unternehmen ist GLM-4.7 datenschutzrechtlich kein entspannter Kandidat. Laut Vendor Card sitzt Zhipu AI in Beijing, China. Es gilt chinesisches Recht (PIPL/CSL/DSL), der Datenstandort ist China, und zur GDPR DPA liegt kein verifizierter Status vor. Die Datenspeicherungsdauer ist mit -1 Tagen faktisch nicht transparent ausgewiesen.

Der berechnete Sovereign Risk liegt bei HIGH. Die Begründung ist konkret: Zhipu AI ist ein chinesisches Unternehmen; zusätzlich verweist die Card auf die BSI-Warnung vom 04.02.2025 zu chinesischen KI-Cloud-Diensten als analoge Risikoreferenz. Für Nutzer aus Deutschland und der EU heißt das: Wer personenbezogene, vertrauliche oder regulatorisch heikle Daten an diesen Endpoint sendet, bewegt sich in einem Drittland-Setup mit erhöhtem Zugriffs- und Compliance-Risiko. Ohne klar dokumentierte Transfermechanismen und belastbare Vertragsgrundlage ist das für viele Unternehmensszenarien kein Randthema, sondern ein Ausschlusskriterium.

Fazit

GLM-4.7 ist ein fähiges, manchmal eindrucksvoll strukturiertes Server-Modell mit echter technischer Substanz. Sein Profil als Generalist mit Instruct- und Coder-Schlagseite ist glaubwürdig: CLI, strukturierte Transformation und viele technische Direktaufgaben liegen ihm. Die MoE-Architektur mit 32 Milliarden aktiven Parametern erklärt auch, warum das Modell nicht wie ein reines Spitzen-Frontier-System auftritt, aber oft mehr liefert als ein bloß ordentlicher Mittelbaukasten. Es hat Charakter, und Charakter ist in diesem Feld selten ein Nachteil.

Die Probleme sind allerdings zu real, um sie mit Architekturromantik zu übertünchen. Die Instabilität mit 7 Timeouts, die kritische Tail-Latenz, die deutliche Verbosity-Kostenlast und vor allem die halluzinierte Tool-Ausgabe begrenzen das Vertrauen spürbar. In Security-Aufgaben denkt GLM-4.7 brauchbar, aber nicht hart genug. In UX- und Kulturaufgaben schreibt es ordentlich, aber nicht fein genug. Wer einen vielseitigen Batch-Assistenten für technische Zuarbeit sucht, kann mit GLM-4.7 arbeiten. Wer ein Modell für streng faktengebundene Tool-Ketten, sensible Unternehmensdaten oder unbeaufsichtigte Produktionspipelines braucht, sollte sehr genau wissen, warum er dieses Risiko unterschreibt. Über alle Tests hinweg ist Halluzination gerade deshalb der entscheidende Makel, weil sie nicht ständig auftritt, sondern an genau der Stelle, an der man sie am wenigsten verzeiht.

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.