Bu model, 2025-08-08 tarihinde HF papers'ta yayımlandı ve 2025-07-21 tarihinde Hugging Face Transformers'a katkıda bulunuldu.

GLM-4.5, GLM-4.6, GLM-4.7

Genel Bakış

GLM-4.7, GLM-4.6 ve GLM-4.5 dil modelleri bu sınıfı kullanır. transformers içindeki uygulama bir MTP katmanı içermez.

GLM-4.7

GLM-4.7, yeni kodlama ortağınız, aşağıdaki özelliklerle geliyor:

• Temel Kodlama: GLM-4.7, çok dilli ajan tabanlı kodlama ve terminal tabanlı görevlerde, SWE-bench'te (73.8%, +5.8%), SWE-bench Multilingual'da (66.7%, +12.9%) ve Terminal Bench 2.0'da (41%, +16.5%) olmak üzere, önceki sürümü GLM-4.6'ya kıyasla belirgin kazanımlar sağlıyor. GLM-4.7 ayrıca eylemden önce düşünme özelliğini destekliyor ve Claude Code, Kilo Code, Cline ve Roo Code gibi ana akım ajan çerçevelerinde karmaşık görevlerde önemli iyileştirmeler sunuyor.
• Vibe Coding: GLM-4.7, arayüz kalitesini iyileştirme konusunda büyük bir adım atıyor. Daha temiz ve modern web sayfaları üretiyor; daha doğru yerleşim ve boyutlandırma ile daha iyi görünen slaytlar oluşturuyor.
• Araç Kullanımı: GLM-4.7, araç kullanımında önemli iyileştirmeler sağlıyor. τ^2-Bench ve BrowseComp üzerinden web gezintisi gibi benchmarklarda belirgin şekilde daha iyi performanslar gözlemlenebiliyor.
• Karmaşık Muhakeme: GLM-4.7, matematik ve muhakeme yeteneklerinde önemli bir artış sağlayarak, GLM-4.6'ya kıyasla HLE (Humanity’s Last Exam) benchmark'ında (42,8%, +12,4%) skor elde ediyor.

Daha genel olarak, sohbet, yaratıcı yazarlık ve rol yapma senaryosu gibi birçok diğer senaryoda da önemli iyileşmeler gözlemlenir.

Aralıklı Düşünme ve Korunan Düşünme

GLM-4.7, Interleaved Thinking (GLM-4.5'ten bu yana mevcut bir özellik) özelliğini daha da geliştirir ve Preserved Thinking ile Turn-level Thinking özelliklerini sunar. Eylemler arasında düşünerek ve turlar arasında tutarlı kalarak karmaşık görevleri daha kararlı ve daha kontrol edilebilir hale getirir:

• Aralıklı Düşünme: Model, her yanıt ve araç çağrısından önce düşünür; bu da talimat uyumunu ve üretim kalitesini artırır.
• Korunan Düşünme: Kodlama ajanı senaryolarında model, çok turlu sohbetlerdeki tüm düşünme bloklarını otomatik olarak korur ve mevcut akıl yürütmeyi yeniden kullanarak sıfırdan türetme işleminden kaçınır. Bu, bilgi kaybını ve tutarsızlıkları azaltır; uzun vadeli ve karmaşık görevler için uygundur.
• Tur Düzeyinde Düşünme: Model, bir oturum içinde akıl yürütme üzerinde tur bazlı kontrol sağlar; gecikme/maliyeti azaltmak için hafif isteklerde düşünmeyi devre dışı bırakabilir, karmaşık görevlerde doğruluğu ve kararlılığı artırmak için etkinleştirebilirsiniz.

Daha fazla ayrıntı: https://docs.z.ai/guides/capabilities/thinking-mode

Daha fazla değerlendirme sonucu, kullanım senaryosu ve teknik ayrıntı için lütfen GLM-4.7 teknik bloguna göz atın.

GLM-4.6

GLM-4.5 ile karşılaştırıldığında, GLM-4.6 birkaç önemli iyileştirme getiriyor:

• Daha uzun bağlam penceresi: Bağlam penceresi 128K'dan 200K token'a genişletilerek modelin daha karmaşık ajan görevlerini işlemesi sağlanmıştır.
• Üstün kodlama performansı: Model, kodlama benchmark'larında daha yüksek puanlar elde eder ve Claude Code, Cline, Roo Code ve Kilo Code gibi uygulamalarda daha iyi gerçek dünya performansı sergiler; bu, görsel olarak özenli ön yüz sayfaları oluşturma konusunda da iyileşmeler içerir.
• Gelişmiş akıl yürütme: GLM-4.6, akıl yürütme performansında belirgin bir iyileşme göstermekte ve çıkarım sırasında araç kullanımını desteklemekte olup bu da daha güçlü bir genel yetkinlik sağlamaktadır.
• Daha yetenekli ajanlar: GLM-4.6, araç kullanımı ve arama tabanlı ajanlarda daha güçlü bir performans sergiler ve ajan çerçeveleri içinde daha etkin bir şekilde bütünleşir.
• İyileştirilmiş yazım: Stil ve okunabilirlik açısından insan tercihleriyle daha iyi uyum sağlar ve rol yapma senaryolarında daha doğal bir performans sergiler.

GLM-4.6'yı ajanlar, akıl yürütme ve kodlama alanlarını kapsayan sekiz açık uçta değerlendirdik. Sonuçlar, GLM-4.5'e kıyasla belirgin iyileşmeler gösterirken, GLM-4.6'nın DeepSeek-V3.1-Terminus ve Claude Sonnet 4 gibi önde gelen yerli ve uluslararası modellere karşı da rekabetçi avantajlar sunduğunu ortaya koymaktadır.

Daha fazla değerlendirme sonucu, kullanım senaryosu ve teknik ayrıntı için lütfen GLM-4.6 teknik bloguna göz atın.

GLM-4.5

GLM-4.5 serisi modeller, zeki ajanlar için tasarlanmış temel modellerdir; MoE varyantları burada Glm4Moe olarak belgelenmiştir.

GLM-4.5, 355 milyar toplam parametreye ve 32 milyar aktif parametreye sahipken, GLM-4.5-Air daha kompakt bir tasarıma sahip olup 106 milyar toplam parametre ve 12 milyar aktif parametre kullanmaktadır. GLM-4.5 modelleri, akıl yürütme, kodlama ve zeki ajan yeteneklerini bir araya getirerek zeki ajan uygulamalarının karmaşık gereksinimlerini karşılar.

GLM-4.5 ve GLM-4.5-Air, karmaşık akıl yürütme ve araç kullanımı için düşünme modu ile anında yanıtlar için düşünmeme modu olmak üzere iki mod sunan hibrit akıl yürütme modelleridir.

GLM-4.5 ve GLM-4.5-Air için temel modelleri, hibrit akıl yürütme modellerini ve hibrit akıl yürütme modellerinin FP8 sürümlerini açık kaynak olarak yayımladık. MIT açık kaynak lisansı altında yayımlanan bu modeller, ticari kullanım ve ikincil geliştirme amacıyla kullanılabilir.

12 sektör standardı benchmark'ında gerçekleştirdiğimiz kapsamlı değerlendirmede gösterildiği üzere, GLM-4.5, 63.2 puanıyla tüm özel ve açık kaynak modeller arasında 3. sırada yer alarak olağanüstü bir performans sergilemektedir. Öne çıkan bir diğer husus, GLM-4.5-Air'ın üstün verimliliği korurken 59.8 ile rekabetçi sonuçlar sunmasıdır.

Daha fazla değerlendirme sonucu, kullanım senaryosu ve teknik ayrıntı için lütfen teknik raporumuza veya teknik blogumuza göz atın.

Model kodu, araç ayrıştırıcısı ve akıl yürütme ayrıştırıcısı, transformers, vLLM ve SGLang uygulamalarında bulunabilir.

Glm4MoeConfig

>>> from transformers import Glm4MoeModel, Glm4MoeConfig

>>> # Initializing a Glm4Moe style configuration
>>> configuration = Glm4MoeConfig()

>>> # Initializing a model from the GLM-4-MOE-100B-A10B style configuration
>>> model = Glm4MoeModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

Glm4MoeModel

Glm4MoeForCausalLM

>>> from transformers import AutoTokenizer, Glm4MoeForCausalLM

>>> model = Glm4MoeForCausalLM.from_pretrained("meta-glm4_moe/Glm4Moe-2-7b-hf")
>>> tokenizer = AutoTokenizer.from_pretrained("meta-glm4_moe/Glm4Moe-2-7b-hf")

>>> prompt = "Hey, are you conscious? Can you talk to me?"
>>> inputs = tokenizer(prompt, return_tensors="pt")

>>> # Generate
>>> generate_ids = model.generate(inputs.input_ids, max_length=30)
>>> tokenizer.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0]
"Hey, are you conscious? Can you talk to me?\nI'm not conscious, but I can talk to you."