智谱新模型也用DeepSeek的MLA，苹果M5就能跑

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

智谱AI上市后，再发新成果。

开源轻量级大语言模型GLM-4.7-Flash，直接替代前代GLM-4.5-Flash，API免费开放调用。

这是一个30B总参数、仅3B激活参数的混合专家（MoE）架构模型，官方给它的定位是“本地编程与智能体助手”。

在SWE-bench Verified代码修复测试中，GLM-4.7-Flash拿下59.2分，“人类最后的考试”等评测中也显著超越同规模的Qwen3-30B和GPT-OSS-20B。

作为去年12月发布的旗舰模型GLM-4.7的轻量化版本，GLM-4.7-Flash继承了GLM-4系列在编码和推理上的核心能力，同时针对效率做了专门优化。

除了编程，官方还推荐将这个模型用于创意写作、翻译、长上下文任务，甚至角色扮演场景。

30B参数只激活3B，MLA架构首次上线

GLM-4.7-Flash沿用了该系列的”混合思考模型”的设计。

总参数量300亿，但实际推理时仅激活约30亿参数，使模型在保持能力的同时大幅降低计算开销。

上下文窗口支持到200K，既可以云端API调用，也支持本地部署。

目前官方还没有给出技术报告，更多细节还要从配置文件自己挖掘。

有开发者注意到一个重要细节：GLM团队这次首次采用了MLA（Multi-head Latent Attention）架构。这一架构此前由DeepSeek-v2率先使用并验证有效，如今智谱也跟进了。

从具体结构来看，GLM-4.7-Flash的深度与GLM-4.5 Air和Qwen3-30B-A3B接近，但专家数量有所不同——它采用64个专家而非128个，激活时只调用5个（算上共享专家）。

目前发布不到12小时，HuggingFace、vLLM等主流平台就提供了day0支持。

官方也在第一时间提供了对华为昇腾NPU的支持。

本地部署方面，经开发者实测在32GB统一内存、M5芯片的苹果笔记本上能跑到43 token/s的速度。

官方API平台上基础版GLM-4.7-Flash完全免费（限1个并发），高速版GLM-4.7-FlashX价格也相当白菜。

对比同类模型，在上下文长度支持和输出token价格上有优势，但目前延迟和吞吐量还有待优化。

HuggingFace：
https://huggingface.co/zai-org/GLM-4.7-Flash

[1]https://x.com/Zai_org/status/2013261304060866758智谱新模型也用DeepSeek的MLA，苹果M5就能跑