포스트

GLM-4.7 - 코딩 전문 LLM의 새로운 강자

게시 업데이트
By Juho
7 분읽는 시간

목차

  1. GLM-4.7 소개
  2. 주요 특징
  3. 성능 벤치마크
  4. 혁신적인 사고 메커니즘
  5. 사용 방법
  6. 주의사항 및 한계

GLM-4.7 소개

GLM-4.7은 Zhipu AI에서 개발한 코딩 전문 대규모 언어 모델입니다. 358B 파라미터의 MoE(Mixture of Experts) 아키텍처를 채택하여 효율적인 추론이 가능하며, MIT 라이선스로 공개되어 상업적 사용도 가능합니다.

공식 페이지: https://z.ai/blog/glm-4.7
HuggingFace: https://huggingface.co/zai-org/GLM-4.7
기술 논문: https://arxiv.org/pdf/2508.06471

주요 특징

GLM-4.7은 네 가지 핵심 영역에서 이전 버전(GLM-4.6) 대비 크게 개선되었습니다.

1. Core Coding (코어 코딩)

다국어 에이전트 코딩과 터미널 작업에서 상당한 성능 향상을 달성했습니다.

벤치마크GLM-4.7개선폭
SWE-bench73.8%+5.8%
SWE-bench Multilingual66.7%+12.9%
Terminal Bench 2.041%+16.5%

2. Vibe Coding (UI/UX 코딩)

웹페이지와 슬라이드의 UI/UX 품질이 크게 개선되었습니다.
더 깔끔하고 현대적인 디자인을 생성하며, 정확한 레이아웃의 슬라이드를 만들 수 있습니다.

3. Tool Using (도구 활용)

τ²-Bench와 BrowseComp 벤치마크에서 웹 브라우징 및 다양한 도구 활용 성능이 향상되었습니다.

4. Complex Reasoning (복합 추론)

수학 및 추론 능력이 강화되었습니다.

벤치마크GLM-4.7개선폭
HLE (Humanity’s Last Exam)42.8%+12.4%
AIME 202595.7%-
MMLU-Pro84.3%+1.1%

성능 벤치마크

GLM-4.7은 17개의 추론, 코딩, 에이전트 벤치마크에서 GPT-5, Claude Sonnet 4.5, Gemini 3.0 Pro, DeepSeek-V3.2 등과 비교 평가되었습니다.

벤치마크GLM-4.7GLM-4.6개선폭
MMLU-Pro84.383.2+1.1
AIME 202595.793.9+1.8
HLE (w/ Tools)42.830.4+12.4
LiveCodeBench-v684.982.8+2.1
τ²-Bench87.475.2+12.2
SWE-bench73.868.0+5.8
Terminal Bench 2.041.024.5+16.5

혁신적인 사고 메커니즘

GLM-4.7의 가장 독특한 특징 중 하나는 세 가지 사고(Thinking) 모드를 지원한다는 점입니다.

1. Interleaved Thinking (인터리빙 사고)

모든 응답 및 도구 호출 전에 사고 과정을 수행합니다.
이를 통해 더 신중하고 정확한 답변을 생성할 수 있습니다.

2. Preserved Thinking (보존된 사고)

다중 턴 대화에서 이전 사고 블록을 유지하여 정보 손실을 감소시킵니다.
대화의 맥락을 더 잘 이해하고 일관성 있는 응답을 제공합니다.

3. Turn-level Thinking (턴 레벨 사고)

세션 내 개별 턴별로 추론을 제어하여 비용과 지연시간을 최적화합니다.
필요한 경우에만 깊은 사고를 수행하여 효율성을 높입니다.

사용 방법

GLM-4.7은 다양한 방법으로 사용할 수 있습니다.

API를 통한 접근

코딩 에이전트 통합

다음 코딩 에이전트에서 GLM-4.7을 지원합니다:

  • Claude Code
  • Kilo Code
  • Cline
  • Roo Code

로컬 배포

Transformers 라이브러리 사용

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_PATH = "zai-org/GLM-4.7"
messages = [{"role": "user", "content": "hello"}]

tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH)
inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
)

model = AutoModelForCausalLM.from_pretrained(
    pretrained_model_name_or_path=MODEL_PATH,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)

inputs = inputs.to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=128, do_sample=False)
output_text = tokenizer.decode(generated_ids[0][inputs.input_ids.shape[1]:])
print(output_text)

vLLM을 통한 배포

1
2
3
4
5
6
7
8
9
10
11
12
13

# Docker 이미지 다운로드
docker pull vllm/vllm-openai:nightly

# 또는 pip 설치
pip install -U vllm --pre --index-url https://pypi.org/simple --extra-index-url https://wheels.vllm.ai/nightly

# 서버 실행
vllm serve zai-org/GLM-4.7-FP8 \
     --tensor-parallel-size 4 \
     --speculative-config.method mtp \
     --tool-call-parser glm47 \
     --reasoning-parser glm45 \
     --enable-auto-tool-choice

SGLang을 통한 배포

1
2
3
4
5
6
7
8
9
10
11

# Docker 이미지 다운로드
docker pull lmsysorg/sglang:dev

# 서버 실행
python3 -m sglang.launch_server \
  --model-path zai-org/GLM-4.7-FP8 \
  --tp-size 8 \
  --tool-call-parser glm47 \
  --reasoning-parser glm45 \
  --speculative-algorithm EAGLE \
  --served-model-name glm-4.7-fp8

평가 파라미터 설정

기본 설정 (대부분의 작업)

1
2
3
4
5

{
    "temperature": 1.0,
    "top_p": 0.95,
    "max_new_tokens": 131072
}

Terminal Bench, SWE Bench Verified

1
2
3
4
5

{
    "temperature": 0.7,
    "top_p": 1.0,
    "max_new_tokens": 16384
}

τ²-Bench

1
2
3
4

{
    "temperature": 0,
    "max_new_tokens": 16384
}

Preserved Thinking 활성화 (SGLang)

1
2
3
4
5
6

{
  "chat_template_kwargs": {
    "enable_thinking": true,
    "clear_thinking": false
  }
}

주의사항 및 한계

이용약관 제약

Z.ai의 이용약관에는 몇 가지 제약사항이 있습니다:

  • 경쟁 모델 개발 금지
  • 콘텐츠에 대한 광범위한 사용권 부여
  • 상업적 사용 시 약관 확인 필요

성능 고려사항

로컬 실행 시 속도

Mac Studio 등 일부 환경에서는 토큰 처리 속도가 매우 느릴 수 있습니다.
고성능 GPU 환경에서의 사용을 권장합니다.

정치적 민감 주제

중국 기업에서 개발한 모델로, 정치적으로 민감한 주제에서 검열이 있을 수 있습니다.

가격 대비 성능

GLM Coding Plan 구독자는 자동 업그레이드되며, 신규 사용자는 Claude 수준의 모델을 1/7 가격대로 이용할 수 있어 비용 효율적입니다.

참고 자료

LLM
LLM AI Python Benchmark