GLM-5 と GLM-4.7 のどちらを選ぶかは、多くの場合、大規模なエージェント力と実績のあるコーディング汎用性という重要なトレードオフに帰着します。Z.ai がリリースした GLM-5 は、前世代から大幅にスケールアップしています。GLM-4.7 の 355B パラメータ（アクティブ 32B）から 753.9B パラメータ（アクティブ 40B）へと 2.1 倍のパラメータ拡大を実現し、複雑なシステムエンジニアリングや長期的なエージェントタスクで大幅な改善をもたらします。しかし、GLM-4.7 は多言語コーディング、ターミナル自動化、実際の開発者ワークフローにおいて依然として強力なモデルです。
GLM-5 と GLM-4.7 のアーキテクチャ比較
| 仕様 | GLM-5 | GLM-4.7 |
|---|---|---|
| 総パラメータ数 | 753.9B | 355B |
| アクティブパラメータ数 | 40B | 32B |
| コンテキスト長 | 202,752 トークン | 202,752 トークン |
| 事前学習データ | 28.5T トークン | 23T トークン |
| 精度 | BF16（FP8 利用可能） | BF16（FP8 利用可能） |
| マルチモーダル対応 | テキストのみ | テキストのみ |
| リリース日 | 2026年1月 | 2025年12月 |
GLM-5 の最も実用的なアップグレードの 1 つは、DeepSeek Sparse Attention (DSA) の統合です。これにより、長いコンテキストでのアテンションコストを大幅に削減しつつ、最大 202K トークンの大規模コンテキストウィンドウを維持します。そのため、GLM-5 は実際の長文書推論、マルチターンアシスタント、エージェントスタイルのワークフローではるかにデプロイしやすくなります。事後学習面では、GLM-5 は slime という新しい非同期強化学習インフラストラクチャの恩恵を受けており、RL トレーニングのスループットを向上させ、より頻繁で細かいアライメントのイテレーションを可能にします。
GLM-5 と GLM-4.7 のベンチマーク比較
ベンチマークの観点から見ると、GLM-5 は GLM-4.7 に対して広範かつ一貫した改善を示しており、特にツール使用、ブラウジング、エージェント設定において顕著です。最大の向上は、マルチステップ計画、コンテキスト管理、実際の実行を必要とする環境で見られ、GLM-5 が孤立した推論タスクではなくエージェントスタイルのワークフローに最適化されていることを示唆しています。
GLM-4.7 のベンチマークは効率最適化された推論/コーディングモデルのように見え、従来の数学スタイルの評価では依然として非常に強力ですが、インタラクティブなツール駆動型タスクでは優位性は低くなります。
GLM-5 と GLM-4.7 の VRAM 要件
GLM-4.7 から GLM-5 への 2.1 倍のパラメータ増加は、ハードウェアに大きな影響を及ぼします。以下が VRAM の内訳です。
GLM-5 の推奨 GPU 構成
| 精度 | 必要な VRAM | 推奨セットアップ | ユースケース |
|---|---|---|---|
| BF16 | 1,508 GB | 19x NVIDIA H100 (80GB) | 最高品質の研究 |
| FP8 | 約 800 GB | 10x NVIDIA H100 (80GB) | 本番環境へのデプロイ |
| INT4 | 約 400 GB | 5x H100 (80GB) | コスト効率の高い推論 |
GLM-4.7 の推奨 GPU 構成
| 精度 | 必要な VRAM | 推奨セットアップ | ユースケース |
|---|---|---|---|
| BF16 | 717 GB | 9x NVIDIA H100 (80GB) | 最高品質 |
| FP8 | 390 GB | 5x H100 (80GB) | 本番環境へのデプロイ |
| INT4 | 200 GB | 3x H100 (80GB) | コスト効率の高い推論 |
FP8 デプロイでは、GLM-5 は通常 GLM-4.7 の 2 倍の GPU 数が必要です。
予算が限られている開発者にとって、GLM-4.7 はコーディング中心のワークロードにおいてパフォーマンスあたりのコストが優れており、SWE-bench Verified で 73.8%、LiveCodeBench-v6 で 84.9% を達成しています。
最先端の研究やエージェントシステム開発においては、GLM-5 の強力なツール使用と長期的な実行能力により、追加のハードウェア投資を正当化できます。
GLM-5 と GLM-4.7 の価格と API アクセス
| モデル | 入力（$ / M トークン） | キャッシュ読み取り（$ / M トークン） | 出力（$ / M トークン） |
|---|---|---|---|
| GLM-4.7 | $0.60 | $0.11 | $2.20 |
| GLM-5 | $1.00 | $0.20 | $3.20 |
キャッシュ読み取りとは、以前にプロンプトキャッシュに保存されたトークンを読み取る際のコストを指します。同じプロンプト内容がリクエスト間で再利用される場合、モデルはこれらのトークンをキャッシュから直接取得し、ゼロから再処理する必要がなくなります。これにより、推論レイテンシとコストの両方を削減できます。
ステップ 1: ログインしてモデルライブラリにアクセス
アカウントにログインし、Model Library ボタンをクリックします。
ステップ 2: モデルを選択
利用可能なオプションを参照し、ニーズに合ったモデルを選択します。
ステップ 3: 無料トライアルを開始
無料トライアルを開始して、選択したモデルの機能を試します。
ステップ 4: API キーを取得
API で認証するために、新しい API キーを提供します。「Settings」ページに移動し、画像のように API キーをコピーできます。
ステップ 5: API をインストール
使用するプログラミング言語に固有のパッケージマネージャーを使用して API をインストールします。
インストール後、開発環境に必要なライブラリをインポートします。API キーを使用して API を初期化し、Novita AI LLM との対話を開始します。これは Python ユーザー向けのチャット補完 API の使用例です。
from openai import OpenAI
client = OpenAI(
api_key="<Your API Key>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="zai-org/glm-5 or zai-org/glm-4.7",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Hello, how are you?"}
],
max_tokens=131072,
temperature=0.7
)
print(response.choices[0].message.content)
GLM-5 と GLM-4.7 の意思決定フレームワーク概要
| シナリオ | 推奨モデル | 主な理由 |
|---|---|---|
| ツールオーケストレーションを伴うマルチエージェントシステム | GLM-5 | MCP-Atlas で +15.8pp、Tool-Decathlon で +14.2pp |
| 本番 SWE-bench ワークフロー | GLM-4.7 | 73.8% でハードウェアコスト半分 |
| サイバーセキュリティとペネトレーションテスト | GLM-5 | 43.2% CyberGym |
| IDE ベースのコーディング（Claude Code、Cline） | GLM-4.7 | Thinking を保持し、低レイテンシ |
| フロンティア推論研究（HLE） | GLM-5 | ツール使用で 50.4%（最高のオープンソース） |
| UI/フロントエンドの「バイブコーディング」 | GLM-4.7 | 最新の Web UI 向けの特化トレーニング |
| ターミナル自動化（長期的） | GLM-5 | Terminal-Bench 2.0 で +28.3pp |
| 数学コンテスト（AIME、HMMT） | GLM-4.7 | 低コストで GLM-5 に匹敵またはそれを上回る |
| 予算制約のあるスタートアップ | GLM-4.7 | 4x H100 で強力なコーディング、8x H100 に比べてコスト半分 |
| AGI の限界に挑む研究所 | GLM-5 | 28.5T トークンの事前学習、slime RL インフラストラクチャ |
GLM-5 は GLM-4.7 を時代遅れにするものではなく、異なる問題に対処します。長期的なエージェントタスクで広範なツール使用とマルチステップ推論を必要とする作業であれば、GLM-5 への 2 倍のハードウェア投資はタスク完了率で報われます。何千人もの開発者にコーディングアシスタントを提供したり、IDE 環境で迅速なイテレーションサイクルを必要とする場合、GLM-4.7 のより軽量なアーキテクチャと特化トレーニングが最適です。両モデルは、オープンソース言語モデリングにおける重要な成果であり、完全な透明性とローカルデプロイの柔軟性を維持しながら、最先端のプロプライエタリモデルとのギャップを縮めています。
よくある質問
GLM-5 と GLM-4.7 の主なアーキテクチャ上の違いは何ですか？
GLM-5 は総パラメータ数が 355B から 753.9B（アクティブ 32B から 40B）に拡大し、DeepSeek Sparse Attention（DSA）を統合してデプロイコストを削減しつつ、202K のコンテキスト長を維持しています。
GLM-5 を一般消費者向けハードウェアで実行できますか？
いいえ。GLM-5 は FP8 モードで少なくとも 10 基の H100 80GB GPU（800GB VRAM）を必要とし、一般消費者向け GPU の能力をはるかに超えています。
SWE-bench コーディングタスクにはどちらのモデルが適していますか？
GLM-5 は SWE-bench Verified で 77.8%（+4pp）と GLM-4.7 をわずかに上回りますが、GLM-4.7 の 73.8% をハードウェアコスト半分で達成できるため、本番環境ではより実用的です。
Novita AI は、開発者がシンプルな API を使用して AI モデルを簡単にデプロイできると同時に、手頃な価格で信頼性の高い GPU クラウドを提供する AI クラウドプラットフォームです。
おすすめの記事
